中介分析示例
本例演示如何在“结构化方程模型”平台中执行中介分析。其中的数据由教育变量组成，用于调查来自不同背景的中学生的种族氛围。本例的目的在于：探讨自主性在调节学校归属感如何影响中学生对学校的兴趣中的作用。
1. 选择帮助 > 样本数据文件夹，然后打开 Secondary Students.jmp。
2. 选择分析 > 多元方法 > 结构化方程模型。
3. 选择兴趣、归属感和自主性，然后点击模型变量。
4. 点击确定。
5. 点击“模型快捷方式”红色小三角并选择截面经典 > 中介分析。
6. 在“指定中介模型”窗口中，分别为“原因变量”、“中介变量”和“结果变量”选项选择归属感、自主性和兴趣。
7. 点击确定。
图 8.17 结构化方程模型规格
8. 点击运行。
图 8.18 “结构化方程模型”报表
所显示的报表包括中介分析模型的“拟合汇总”表和“参数估计值”表。该模型强调因变量和自变量之间的直接效应。“参数估计值”表包含每个变量的估计均值和截距值，预测变量（归属感和自主性）与结果变量（兴趣和自主性）之间的回归系数的估计值，以及估计的方差和残差方差。该报表显示，这些估计值所代表的效应在统计上是显著的。您可以基于这些估计值得出以下结论：
‒ 归属感 ⇒ 自主性路径：在归属感上有一个单位的差异的两个学生被估计出在自主性上会有 0.298 个单位的差异。系数的正号表明：随着归属感的提高，自主性很可能也随之提高。
‒ 自主性 ⇒ 兴趣路径： 归属感得分相同，但他们在自主性上有一个单位的差异的两个学生被估计在兴趣上会有 0.337 个单位的差异。系数的正号表明：拥有更多的自主性与产生更大的兴趣相关。
‒ 归属感 ⇒ 兴趣路径：两个学生在归属感上有一个单位的差异但在自主性上没有差异，则他们被估计会在兴趣上有 0.624 个单位的差异。直接效应显示一个正值，该值意味着随着归属感的增加，兴趣很可能随之增加。
接下来，您希望计算总效应和间接效应。
1. 点击“结构化方程模型: 中介分析”旁边的红色小三角，然后选择总效应选项。
2. 点击“结构化方程模型: 中介分析”旁边的红色小三角，然后选择间接效应选项。
图 8.19 总效应和间接效应
“总效应”表包含预测变量（归属感和自主性）与结果变量（兴趣和自主性）之间的总效应。总效应是预测变量对结果变量的直接和间接影响的总和。在本例中，只存在从归属感到自主性以及从自主性到兴趣的直接效应，这就是为什么这些总效应与“参数估计值”表中的直接效应完全相同。该表显示归属感对兴趣具有强烈的正向总效应 (0.724)。显著效应指示归属感对兴趣的贡献有意义。总效应量化了与预测变量的一个单位变化相关的结果变量的平均变化（在保持其他变量不变的情况下）。例如，归属感每一个单位的增长都会关联在兴趣上的估计的 0.724 个单位的增长。
“间接效应”表包含间接效应估计值，该估计值强调归属感通过自主性对兴趣产生的效应。该表显示归属感通过中介变量自主性对兴趣产生的估计间接效应 (0.100) 在统计上是显著的，这表明归属感的变化通过中介变量自主性的变化对兴趣产生了影响。
您可以得出以下结论：对于两个在归属感上有一个单位差异的学生，他们在兴趣上的差异估计为 0.100 个单位，因为归属感越强的学生倾向于拥有更高的自主性，这实际上转化为更大的兴趣。
中介分析中的一项挑战就是估计间接效应。该估计值的分布往往是非正态的，尤其是在样本较小的情况下。Bootstrap 方法为这一挑战提供了一个解决方案。Bootstrapping 包括从观测数据集中反复进行有放回的重新抽样，以凭经验估计间接效应的抽样分布。这种方法为间接效应提供了更准确的标准误差和置信区间。
使用以下步骤获取参数估计值以及总效应和间接效应的 Bootstrap 置信区间：
1. 右击关注表中的估计值列并选择 Bootstrap。
2. 键入 1000 作为 Bootstrap 样本数的值。
3. （可选）要匹配Figure 8.20 中的结果，请为随机种子键入 1234。
4. 点击确定。
5. 在“Bootstrap 结果”表中，运行分布脚本。
图 8.20 Bootstrap 报表
所显示的报表包含有关 Bootstrap 估计值的分布的信息。“汇总统计量”表指示间接效应的 Bootstrap 估计值为 0.101。该估计值与Figure 8.19 中所示估计的间接效应几乎相同。“Bootstrapping 置信限”报表包含估计的间接效应的修正偏倚置信限。95% 置信区间不包括零，这指示中介分析中的间接效应的显著性。
提示：您可以使用“结构化方程模型”红色小三角菜单中的“推断”>“Bootstrap 推断”选项获取完全模型的 Bootstrap 估计值。