bootstrap中介效应检验步骤
粉丝3.9万获赞19.8万
相关视频
07:39查看AI文稿AI文稿朋友们好，我是数据分析李老师，前面有很多同学都在说能不能录一些视频，然后方便大家去就是深入的去进行学习。 以前我们都是用的图文，今天就呃第一次给大家录视频，然后今天以中介效应 booters drive 去检验中介效应这一课为开始，然后后续给大家录一些这些检验方面的一些视频。 第一个是，呃，这里给大家举了一个简单的一个就是中介效应的一个模型图，是 x 为质变量， y 为硬变量， m 为中介变量。嗯，的一个简单的中介效应图。 嗯， x 可以通过 x 直接影响 y， x 也可以通过影响 m 来影响 y， 然后嗯， x 到 m 之间的一个系数是 a， 嗯， m， m 到就是 y 之间，系数是 b， 然后 x 到 y 的系数是 c 飘，然后他们的一个计算公式是， m 等于 a， x 加一，呃， e 是一个残差， y 的话，这是等于的是 c 飘， m 加 b， m 加一是把 x， r， m 一起放进去，然后去进行的一个就是检验。嗯， 在这里的话是 c 的话，这里还有个 x 直接到 y 是一的一个指示， c， c 的话，这个是一个就是总效应啊。然后我们中介效应是什么呢？中介效应就是 a 乘以 b 是一个中介效应， c 飘的话是直接效应。 这里给大家做了一个简单的一个图形，加入这个案例进群去进行讲解，就像 等于是经济发展水平是一个就是质变量，电子商务是一个应变量，居民收入是一个中介效应。嗯，在这个图如何去解释这个中介效应呢？就是经济发展水平可以直接去影响电子商务 经济发展水平，也可以去影响一个中介变量啊，居民收入，然后再去影响电子商务，而 m 在里面就是周围的是一个中介变量。在在这个里面我们还有还有哪几种呢？中介效应呢？第一个是烈士中介，第二是平易中介，这是一个简单的一个烈士中介， 他的一个解读是什么呢？啊？组织知识感可以直接去影响职业幸福感，组织幸。嗯，组织知识感也可以通过影响认知从频再去影响职业幸福感，而认知从频在这里就作为的 是一个 m 一是中介变量，然后组织幸福感，组织知识感还可以通过影响认知从平再去影响职业压力，嗯，从而影响了职业幸福感，相当于组织幸福感去影响 m 一 m 二，然后去影响了我们的 y， 这个是我们称为就是面试的一个中间在 嗯，认知从平、职业压力这之间还可以加入很多个中介变量， m 一， m 二， m 三， m 四， m m 五 等等的加入里面我们去进行一个就是分析，然后平行中间是什么样的？平行中间就大概是这个样啊，就是我画的这个图，嗯，强行 强制性公民行为可以直接影响反生产行为，而强制行为可以通过这条路径啊，通过是中介影响去影响反生产行为。这个中介， 呃， m 一的话是情绪炮节去影响反生产能力，而强制性公民能力还可以通过什么呢？通过工作满意度，然后去影响嗯，反生产能力啊，这个是一个，就是链，呃，是一个平行中介， 然后这个平行中介中还可以加入无数个 m 啊，中介变量， m 一， m 二， m 三， m 四、 m 五等等等等。对，这个是一个中介的，呃，这是一个平行中介， 在这里面的话还会提到一个什么哈？还会给大家提到一个，呃，部分中介和完全中介以及遮掩效应。嗯，部分中介的话，它是什么？称为部分中介。比如说以这个图，呃，这个简中介图为例子，由 x g 影响了 y， 然后同 是 x 中国通过 m 引去影响了 y 啊，通过这中介变量去影响了 y， 这样的话两条路径都是显著的，然后我们称为这种为部分中介。 而完全中介。而完全中介的是什么呢？完全中介的话就是其实 i case 对 y 四我们在检验的过程中是没有影影响的，但是我们加入了一个中介变量 m 之后，然后 i case 到 y 字 x 通过 m 影响了 y， 它是显著的，这个时候我们可以称它为一个完全中间。 就是就是这么。然后如果在例子的话，是什么经济水平发展对电子商务没有影响啊？而经济发展水平，我们当我们加入居民收入之后，经济水平发展水平对电子商务有影响了啊，并且显著的，那我们 线就是一个完全中介，相当于是经济发展水平通过营，通过影响居民收入，从而去影响电子商务。哦，这条完全中介遮掩效应，遮掩效应的话，这一个可以下来大家去理解一下，然后他相对来说是比较难的， 那结论的话是就是这个这个样的。然后的话我这里还给大家补充了一个什么呢？是我们在去检测中介作用的时候，我们常会用哪些方法去进行检验？第一个是呃分层回归，逐步回归，第二个按 process 插件去进行一个检验分析， 然后还有个按摩师做中介，然后 manplus， 嗯，去做中介，那他们之间有什么好处坏处呢？就是逐步回归的话，这种的话我们一般，嗯去做这种简单中介都会有会涉及到三个，三个的一个回归的一个 分析，这种很麻烦，准确率很低啊，到的时候我们是不用这种方法去做的，因为它的还有一个 subreal 检测， 嗯，要求的话，两个系数之间的话，他们要服从一个正态分布，因为其实在我们大多数的时候，其实我们 是默认，当样本量超出三十的时候，我们默认他是服从正在分布的啊，一般情况下都是比较难满足，所以说我们也不用去啊，我们可以很少用这种方法去进行检验，而我们用的更多的是什么 brus drive 法啊？去进行一个检验， 然后 booth shift 的话，我们一般采用的是插件 process 的一个插件在那个 sps 里面， spas 里面，然后我们安装一个 process 的一个插件，就可以进行一个分析了，然后 process 的话，它有它也有它的一个优缺点，不是说它嗯 就非常的好，那么他的优点就是简单啊，可以这个后面我会用案例的形式给大家进行实际的一个操作，来 来教大家是如何用 process 去检验我们的一个中介效应甚至调节作用的。简单就是可以可以做多中介调节，以及有调节的中介和有中介调节等等这些啊检验方式缺点呢？只能处理显变量， 就直接能观察到的一个变量，无法去处理浅变量模型，就这种浅变量模型我们一般是在做几个方程的时候，我们可以就是不能被观察的这些变量，那我们用什么方法呢？一般用的是用几个方程，用两两个软件，一个是按摩师或者是用 map plus 呃 去进行一个检验，然后得出我们的一个就是前面那模型的一个中介交易的一个检验，今天的话就给大家分享到这里，后面的话会给大家就是配合实操的部分，然后给大家进行一个就是讲解。
14:53查看AI文稿AI文稿哈喽，大家好，那么上期视频给大家分享过中介效应，但是上次的教学数据呢，是很简便数据，然后很多人留言说想看看面板数据的中介效应，其实总体思路和步骤都是一样的，只是具体操作稍微有区别， 那么今天这期视频就一起来学习一下面板数据的中介效应。那么右边依然是我常用的一个呃面板教学示范数据，然后我的个体 id 年份页，然后 y x x r 这样子。 呃，左边的仍然是我这一期会用到的一些呃代码，到时候我也会放在知乎文章里面或者是评论里面。嗯，首先呢，呃，我们第一想介绍面板数据中介效应的第一种方法就是最简单的逐步 回归，那由于面板数据有时间和个体，所以呢，最小二乘法是肯定不行的，所以我一般也不说不行，只是我习惯了使用多维固定效应。那么其实具体使用哪一种？ 呃，具体的回归模型我们可以自行安排。呃，简单的就比如说我上期视频分享的几种固定效应模型，呃，我这里呢，以多为固定效应进行示范。 呃，我的数据中，我假设的是我的中介变量是 x 一，自变量是 x r， 然后控制变量是 x 三，这是我，这是我假设的中介变量 m 是 x c， 所以首先我们要呃，首先我们跑的第一个回归应该是自变量 x 对 y 的一个影响，也就是要检验系数 c， 那这里呃 a b c c 撇这个呃，具体的大家可以看我上一期的中介效应的视频，讲的比较详细一些，那这里呢，我就直直接略过，然后我们直接直接跑代码，然后给大家解释结果。 我们先检验系数 c， 然后把这个模型先保存下来。我们跑完一个先别着急，看它的结果，就是一般是要把这三个的跑逐步回归，跑完之后，然后放在一起看这个结果。 我们再来检验一下自变量 x 二对中介变量的一个影响，刚才检验的是自变量 x 二对 y 的影响，接下来检验，接下来是检验 x 二 自变量 x r 对中介变量 x 一的一个影响，然后我们把这个模型的结果保存一下，嗯，接下来呢，最后就是，呃，加入了中介变量之后，那么 x， 也就是说控制中介变量之后，我们自变量 x r 对 y 的一个影响， 那 x 三是因为是控制变量，所以我每步骤都放进去了，然后这样我们的 a、 b、 c、 c 片儿结果基本上都出来了。然后我们把这三个模型的结果导出来，然后放在一起看 s step 命令的话我也讲过好多次了，在我的视频里面也有教学视频，大家可以自行去学习。我们看一下这三个结果，我们可以看到这里，呃，因为我命名的时候，我第一个模型抛的是 s 三，我们不看，因为 s 三是控制变量，所以我们这边容易都忽略掉。然后我们看，呃，第一个模型是 x 二对 y 的一个影响，也就是我们的系数 c， 我们的系数 c 是不显著的。然后接下来我们看第二个模型，第二个模型主要是检验 x 二对 x 一， x 一是什么？是我的中，是我的中介变量，然后 x 二对中介变量的影响，我们是称为系数 a， 大写区分一下，然后是我们的系数 a。 接下来呢，我们在控制了中中介变量中介变量 x 二之后，我们的呃，不是控制了中介变量 x 一之后，我们的自变量 x 二对对 y 的一个音响，那么这里，那么这里就是我的 系数 c 撇儿，这里 x e 对 y 的影响，也就中变量的中介变量对 y 的影响是我的系数 b。 那么至此呢，我的系数 a， b， c， c 撇儿结果都出来了，那么很明显，我这个结果呃， c 撇不显著，我的 a、 b， 我的只有一个 b 是显著的，那么这个明显结果是不存在中介效应的，因为我们可以看到 x 三是中介，是控制变量，我们正确不看，我们把它删除吧。 然后首先看看 x 二，呃， x 二对 y 的印象，不显著，也就是系数 c 不显著。接下来是 x 二对中介变量 x 二对中介变量 x e 也是 不显著，也就是系数 a 也不显著。最后呢，控制了中介变量 x 一之后，那么我的自变量 x 二对 y 也是不显著的， c 撇也是不显著的。但是我的中介变量 x 一对 y 显著， b 显著，但只有一个 b 显著，是也是无法 真实真实中介效应的存在的，所以，呃，结果就是不存在中介效应。 那么这这一种是逐步回归模型，嗯，大家就根据 a、 b、 c、 c 片来看就可以了。嗯，最好的结果就是 最好的中介结果，也就是我的 a、 b 都显著， c 也显著，但是 c 撇不显著。那么这种情况呢，就是一呃 c 撇，嗯， c 撇不显著，那么这就是一个完完全中介。如果 c 撇显著，那 就是部分中介， 那么介绍完了第一种逐步回归模型，那么，呃，接下来重点介绍后面两种回归模型。第二种呢，系是我们的系数乘级法，也叫我们的苏贝尔检验，然后这里，这里是他用的一个代码， 因为在这个，嗯，这里是 y， 然后 m v 里面放的 m 是指中介变量， i v 里面的 x 放的是我的自变量 x， 那么 c v 里面放置的是控制变量，嗯，对于面板数据，我们还可以 控制它的个体和时间虚拟变量，嗯，这里我们要注意的就是因为这个 c v 里面是不能用 i 点 i d， i 点 province 或者是 idea bank， 银行或者是什么来生成虚拟变量，只能手工生成，所以我们只能以这样的方式来生成我们的个体的虚拟变量，大家这里可能要注意一下， 那么对于我的数据，我首先是应该先生成呃，个体的虚拟变量，如果你要控制个体的话，你要先用这种方式来来生成个体的虚拟变量。 我的个体是 id， 所以我直接输入这个代码，如果你的个体，比如说是 province， 你就 id 改成 province 就可以了。 我，因为我是三十一个省份，所以我生成的虚拟变量就是 id 一到 id 三十一，所以我在这里输入我的，嗯，所以我在这里输入我的代码的时候，我， 我这里我的应变量是 y， 然后 mv mv 自变量是 x c， 不好意思， mv 里面放的是中介变量，我是 x c， 然后 iv 是放的自变量，我是 x r c v 控制变量，我放的是 x 三，然后我觉我还要控制 个体，所以我还要放 id 一的 id 三十一，因为我有三十一个 id， 我是三十一个省。然后后面这个 credit 女士表示不显示逐步回归的结果，也就是不显示这个上面的这个 a、 b、 c、 c 片儿这些结果， 因为我们只需要看最终的那个叙述成绩法的那个检验结果书通过就可以了，这个是比逐步回归更加一目了然的。我们直接跑代码， 这里，呃，这里，呃，中间这一部分应该会首先出出现一系列的逐步回归，因为 我加了这个，所以不显示，然后我们直接看这个结果，首先是看这个这个检验结果，这里的皮质是显示我是否存在终结效应，很明显这里不显著是不存在的。然后接下来我们再看一下这个，呃， indirect 就是这里，这代表的是间接效应，然后 direct 是 是直接效应，这边是总效应，那么最主要的是要看这个 propertion， 这里就是中介效应所占的一个比例，有中介效应，我这里占的比例才百分之天呐，才才百分之二，所以特别低，基本上是不存在的。 百分之二点三九，很低很低，所以在我这个呃，在我这个系数成绩法检验中，我的中间效应也是不存在的。 那么这就是第二种方法，也相对来说是比较简单的。需要注意的只是这里加入了控制变量，不能用 idid 生成，要先生成个体的虚拟变量，然后到时候会把代码放在文章里面，大家跟着呃，这个代码一点点的跑打，应该就是会比较简单一些。 接下来呢，我们重点介绍第三种方法，自助法，不 strap， 用这种方法是一种制性区间的方法，是通过 a b 制性区间来判断中介效应 a b a 系系数 a b 就是一种间接效应。 那么知性区间的优势就在于他不仅能够判断中性中介效应的有误，而且我们知性区间的一个宽度嘛，还可以提供中介效应大小变异的信息，那么给出的是一个呃，一个大，一个一系列科 可能的值，而不是一个唯一值。那么这个是前面的检验方法所无法提供的，但是这种检验方法的前提也是正态分布，然后这个检验我们主要看的就是 indirectifact 间接效应和直接效应，当我们所看的就是一个间接效应， 呃，那废话不多说，我们直接就跑代码，然后呃根据结果来给大家进行解释吧。那么这边就是我的代码呃我的应变量 y， 然后 mv 里面的 x 一是我的一个中介变量， xiiv 里面放的是自变量 xcv 里面放的是一个控制变量 x， 嗯，接下来我们直接就哦，我因为我前面跑系数成绩法什么的，我都控制了一个个体的虚拟变量，所以我在这里也应该再加上我的个体。 然后接下来我们直接就泡这个代码， 这个代码好像跑的的确就比较慢，而且它呃容易不稳定，这个 boost trial mini 有时候不稳定可能会出现一定的错误，我们一般用高一点的版本，或者是稍后再重启 slater 再试一下，我有时候也会出现这种情况， 那么这种 bosstrap 呢？与其他的一个中介效应的检验方法来说，呃具有一个更高的一个统计效力，嗯，那么这也是有文献佐证的。大家在写文章的时候，比如说要用这种方法的话，可以找一下相关的文献进行一个 引用。 那么这个方法的结果判断主要就是根据一个间接效应 a、 b、 c 数的一个执行区间是否包含零，来判断中介效应是否成立。 那么如果它包含零，则是中介效应是不显著的，那么 a b 有，可 a、 b 的成绩有可能是为零，所以我们是不能证明存在中介效益的，如果不包括零，则中介效应是显著的。 那么很多人为什么都会问，为什么包括，为什么包括你就不显著，不包括你中学效益就显著呢？嗯，那么这个原理的话，呃，其实网上有很多的文献或者一些文章都有都有说，然后大家可以去学习一下， 我这里就不过多赘述了，然后这里我们可以看到他跑出来了，嗯，然后这里的 b x c indirective back 就是我们要找的一个间接效应。 direct 就是直接效应，那么主要就是看 b、 s、 e 这边的一个直行区间啊，很明显我这里的直行区间怎么样？是包括你的，说明我们的这个中介效应是不显著的。我们或者我们跑一下这个，看一下详细的直行区间， 我们可以看到这里 n 代表的是什么？ p b、 c 主要是看这个 p 是一般的直行区间 b、 c 这里是一个偏差矫正的一个偏差，偏差矫正的一个直行区间，我们可以看到这边四个直行区间基本上都是怎么样， 包括你的，说明我们的中介效率是不显著的，那么跟我们前面的两种方法的检验结果是一致的，我们主要就是看这个 bse 这个 性区间是否包括零，然后如果是包括零，说明中介效应是不显著的，我这个结果就是不显著的。如果这边的中介效应呃不包括零，则我们的中介效应是显著的。那这里有很多人还会问一个问题，就是我们可以看到前面这个 b s e 这个 bs， 它提示的是 indirect 间接效应 bx 直接效应，那么我们这边的间接效应是不显著的。嗯，在这个不 strap 这个命令命令的情况下，我们主要就是看它的一个直线区间，呃，一般这里呃就是有一些， 就是有时候我们会出现，比如说我们的呃直接我们的间接效应 bs 一，他这里的屁值是呃是不显著的，但是他这里的置信区间呢？又怎么样？不包括你，那我们的中介效应是 显著还是不显著的呢？呃，大部分，我看到文献大部分都是还是会以执行区间为主，然后只要他不包括你，我们就能证明，呃，终极效应是就是在这种检验的前提下，证明终极效应是显著的，重点还是会看这个执行区间。 当然这也不是说绝对的，我只是嗯有一些疑问，然后也在这里 呃，说一下我，大家如果有不同的看法的话，或者有一些嗯，有一些更多的一些发现，可以在我的评论区留言，大家一起呃学习进步。嗯，那么今天这期视频我就到这里结束了，非常感谢大家的支持。
113小菲stata
09:56查看AI文稿AI文稿大家好，下面我用几分钟的时间给大家聊一聊心理学研究当中的中介效应。那么什么是中介效应呢？通俗的来讲，就是自变量会影响应变量，然后呢，自变量他也会通过第三变量间接影响应变量。 那我们从这个图中啊，就可以很清晰的看到， x 会影响 y， x 也会通过影响 m 来间接影响 y， 所以啊，用简单的一句话就是， y 会受到两个变量的影响，第一是自变量 x 的影响，第二是中介变量 m 的间接影响。 那么我们再来看一下中介效应的模型。举个例子来说，父母控制会影响学习成绩，好这两个变量之间的影响关系， c 是总效应，那么我们引入中介变量，恐惧父母控制会影响孩子的恐惧心理，而孩子的恐惧心理呢，也会影响他的学习成绩，所以显得学习成绩受到 两个方面的影响，一个是恐惧，第二个是父母控制。父母控制，我们称为直接效应 c 撇，那么间接效应呢？间接效应它的影响系数是 a 乘以 b， 很显然，因为 a 和 b， 只有他们的成绩不为零的话， 这个路径他才能成立，也就是恐惧的这个中介路径啊，他才能成立。如果 a 等于零，无论 b 等于多少，他们的成绩是零是零的话，你这个中介就断掉了啊，如果 b 等于零也不行，父母控制会引起孩子的恐惧，但是恐惧呢，并不会影响孩子的学习成绩， 是吧？所以说啊，中介效应要显著，那就是 a 乘以 b， 他的值跟零去对比，应该是具有显著性的，就是他不为零。 所以从这个模型啊，我们要把握中介效应的一个基本的原理，就是中介效应要显著的话，那就是 a 乘以 b 不等于零啊，那么我们的原假设就可以反推过来，原假设就 a 乘以 比等于零，是吧？这个我们在后面也还会讲到，那么根据这个模型呢，我们就可以得出一个结论，也就是总效应 c 会等于间接效应加直接效应啊，就这两个路径合起来就是整个对学习成绩的影响。当然这里面还有一个前提，就是我们只考虑一个中间变量恐惧， 如果你有多个中介变量，那这个情况有点复杂了，我们要进行一个拆分，就好比说我们生活当中孩子的学习成绩，他显然会受到很多因素的影响，那么我们只是拿恐惧这一个变量来进行研究的，所以我们没有考虑其他的影响因素啊，这是一个大的基本的前提。 那么我们说啊，在论文选题的过程中，我们不能随便拿一些变量来作为中间变量啊，那么你选择哪一个变量作为中间变量呢啊，你一定要有较强的理论依据的啊，在你阅读了大量的文献之后，那么你选择一个变量进来，而且这个变 量跟自变量和应变量他都要有较强的相关啊，你拿一个不相关的过来，你就要研究他的中介效应，他可能就没有，是吧？你说他不会有这样一个中介路径的存在。好，接下来我们来看到模型他所建立的几个方程，模型一呢是一个总效应的回归方程， y 等于 c x 加一一，那么一呢是长差 常在，任何时候呢都是存在的。模型二， m 作为音变量，那么 x 作为字变量，那么这就是我们 a 的这条路径，是吧？字变量会影响中介变量，模型三呢，就是音变量会受到来自两个方面的影响，第一个 c 撇乘以 x， 这是来自于字变量的影响， b 乘以 m， 那么这是来自于中介变量的影响。 所以在这样的一个模型当中，我们蕴藏着三个回归方程，三个回归方程又蕴藏着四个系数，是吧？哪四个系数呢？总效应 c， 然后呢，系数 a 和 系数 b， 以及直接效应 c 撇，总共四个系数啊，我们前面也说了，在一个中间变量的时候呢， c 会等于 c 撇加 a 乘以 b， 那么这里面大家注意一点，中介效应检验的精髓是什么呢？模型二当中 m 是应变量， 那么在模型三当中， m 又成了字变量，是吧？这是一个中介变量的精髓啊，就是 m， 他在一个回归当中是应变量，而在另外一个回归方式当中呢，他是应变量。那么我们要进行的就是分层回归，分层字啊，在模型一的当中加入中介变量，形成了模型三 好，这是大家要注意的一点，因为我们后面在统计分析当中，就要利用他的这样一个原理进行分层回归。这里面我们要强调一点的是，中介和调节啊，都是用于验证假， 所以呢，我们首先要根据自己的这个理论经验提出变量的关系啊，你是验证这个假设，就像我们刚刚说的，你在选题的时候，你在选择变量的时候，你一定要有理论，当然也要根据我们的生活工作经验，我们所做的分析只是去验证我们提出的假设他是否成立。 那么在中介效应的检验当中，根据我们前面的模型推理啊，那么钥匙中介效应存在，那就是 a 乘以 b， 要不为零是吧？啊，我们那个三角形，如果说 a 等于零或者 b 乘以零，那么他们乘积就会为零，乘积为零，那就不存在中介效应。所以呢，我们的系数乘积检验法，那么就是 h 零， a 乘以 b 等于零原假设， 那么如果说啊，拒绝元甲车，那就是中介效应显著啊，这就是系数检验。我们如果用 process 插件的话呀，它可以一次性算出这些系数，所以说中介效应的分析呢，是一个相对来说 比较简单的分析方法。你把这些系数全部都算出来了，那么他的中介效应是否显著，显然就成立了，而且中介效应占总效应的百分之多少也会出来，你以为四个系数都被你算出来了吗？好，那么 这一页呢，就是告诉我们哈， process 插件可以一次性算出这些系数啊，只要是 a 乘以 b 不等于零，且它的制性区间不包含零。不包含零的意思就是我们拿到 sps 的这个统计结果啊，它的最小值和最大值， 他没有零这个素质，那么换句话说就是他们是同正或同负的啊。做过相应分析的朋友就知道， 他们如果说有正号跟负号，最大值是大正大于零，最小值是小于零，那么他们中间必然包含零，那么就是中间相应不显著，他只要是同正同负，那他就肯定不会包含零。好，这是这一点。接下来呢， 要特别提醒大家的是，我们进行中介也好，调解也好，那么首先呢，这几个变量是要相关的，首先要进行相关分析啊，有了相关才会有回归，这个是我们在啊讲心理学研究方法，反复强调的问题， 要先相关才有可能回归。那么这里面呢，中介效应啊，如果说变量之间的相关系数很小，小于零点二的话，他可能就不会出现中介效应了啊，也就是说你的变量的选择可能就出了问题啊，你提出的假设可能就不一定能得到验证。 那么对比中介效应，调节效应啊，他的调节变量和自自变量因变量之间不会有很强的相关啊，弱相关也是正常现象，这是中介跟调节一个很大的不同。而且做中介效应分析啊，自变量因变量和中介变量他都要是连续性的变量，连续性不可以是分类 分类的就做不了啊，你想想看，他要通过中介变量去影响应变量，而你中介变量是个分类的，是吧？也就是比如说学历啊，比如说性别啊，这样的分类变量是不能做中介的。 这是我们刚刚讲到的，必须要是定量的数据，连续型的数据，那么我们理科特的这种五度的、七度的量表，我们认为它也是连续型的定量数据。 这里面还要提醒的一点的是，我们有些书籍上说到的啊，要对数据进行标准化或者是中心化的处理， 那么标准化和中心化的处理可以减少多重贡献性的问题，这个是没有问题的，但是我要说的是，你不进行中心化标准化的数据处理可不可以呢 啊？最新的文献证明啊，我们做调节效应和中间效应分析，数据不需要进行重新化的处理，也是可以的啊，你做也可以，不做也可以，就是你多一个步骤啊，没有问题，你不做。你比如说你在看 二零二一年，二零二二年的一些硕士论文，他们的数据是没有进行中心化处理的。好，最后呢，我们总结一下中介效应检验的三个步骤啊，第一个呢，就是要确定回归系数 c， c 的话是总效应，也就是 x 首先要能影响 y 吧， 是吧？如果是 x 都跟 y 都没有关系，字面跟应变了没关系，你还做什么中介啊，做不了也不需要做。这是第一个啊，也就是他们俩确实有关系， x 确实会影响 y。 那么第二步呢，就是对 x 和中介效应 m 进行一次回归，确定回归系数 a， 是吧？也就 x 这边呢，要能影响中介变量。 那么最后呢，就是考虑中介变量是否会影响应变量 m 是否影响 y 以及 x 影响直接影响 y， 确定回归系数 b 和 c 撇，所以我们前面说了呀，中介效应的分析就是三个回归方程和四个回归系。 那么我们看到这个表格啊，我们以社交焦虑、情绪智力啊，以及这个自尊，自尊作为中介变量，我们会发现啊，情绪智力会影响社交焦虑，情绪智力也会影响自尊， 是吧？但是情绪之力呢，不会影响社交焦虑，为什么呢？因为他的 t 指负一点四九不显著啊，没有标信号一点四九不显著，而自尊会影响社交焦虑，是吧？中介变量会影响英信变量，他是三颗星 啊，那这样的话呢，我们就可以得出他的一个显著的中介效应，而且可以把中介效应的比值算出来啊，中介效应占总效应的比值，所以这里面 关键是看什么呢？像这个表格，看 r 平方的一个变化，你加入了这个中介变量之后，也就是有这个我们说的中介效应这个路径啊，它的 二平方从零点零七变为了什么？零点一起啊，从零点零七变成了零点一起，那就说明什么？说明这个中介路径起到了作用嘛？是吧？不但有直接效应，直接效应是零点零七，那么你加入之后呢？变成零点一起， 这是这一点啊，那么这个间接效应的话呢？是否显著？我们通过这个它的制性区间的最小值和最大值，前面我们也提到负零点一九和负零点零八它都是负号，那么显然它不包含零，这个值， 不包含零，我们就认为它的中间效应是显著的，所以是这么一个数据的解读。好，我们这一个分析啊，就到这里，谢谢大家。
325太阳季节
08:13查看AI文稿AI文稿大家好，那么很多应用心理学本科的学生在写论文当中，他会涉及到中介效应的分析，那么有些同学对于中介效应的一个逻辑哈，他一个分析的思路还不是很清楚，那么接下来呢，我将用几分钟的时间给大家分析一下中介效应模型。那么首先我们看到这样一个图， 我们说其实自变量 x 对应变量 y 的一个影响，他有时候不仅仅是这么简单这么直接的，如果说 x 是通过影响变量 m 来影响 音变量歪的，那么我们就说 m 是中介变量，所以他这样一个三角形的关系，大家在心里面一定要有这样一个图好，接下来呢，大家记住有三个公式，那么三个方程 看到第一个 y 等于 c， x 加 e e， 那么我们认为啊， c 是 x 对 y 的总效应，是总的影响系数 c， 那么这根线呢？ x 对 m 的影响对吧？我们看到方程二是 m 等于 a， x 加一一一二，那么这个呢，说明啊， x 对 m 产生了影响，那么系数 b 呢？那就是 m 对 y 产生了影响， 好，这是从中介变量这个角度来说，也就是说 y 受到两个方面的影响，在只有一个中介变量的时候啊，注意，只有一个中介变量，我们很多时候啊，呃，假设只有一个中介变量，其实现实中呢，可能有多个中介变量，所以我们首先有这样的一个大局的观念，就是中介变量可能是有很多个的间接效应，也不仅仅是吧，就只有中介效应 好。那么歪有两个方面的影响，一个来自于 m， 一个来自于 x， 所以第三个方程是 x 直接对 y 的影响， x 直接对 y 的影响，对吧？这个叫 c 撇啊，它的习俗是 c 撇。好，那么在只有一个中介变的情况下呢，我们有三种检验的方法来检验中介效应。三种方法，第一种呢，我们叫做逐步法， 逐步法那就是依次检验回归系数啊，那么首先系数 c 要显著，刚刚我们说了，系数 c 是总效应，也就是说 x 跟 y 首先要相关，是吧？在我们原来的研究当中，如果 x 跟 y 都不相关的情况下，我们认为没有必要再研究中介效应。 但是呢，在一四年啊，我们华南师大的温中林教授，他的文章当中指出就是，即便是 x 跟 y， 他的相关不显著，仍然可以进行一个遮蔽效应的利润。就是说我们后面会讲到就是 xy， 你看起来是没有关系的，但是呢，不是因为 他没有关系，而是他产生了一个遮蔽效应啊，也就是产生了一种抵消的效果，这个我们后面会再详细的分析。好，我们先假设 这个手啊，就是相关的，对吧？那就是你先要检验系数 c 是显著的，总像要显著。那么第二个系数 a 要显著，也就是说系数 a， 看到这个图啊，系数 a 显着，就是 x 能显著的影响 m， 是吧？系数 b 显著，那就可以认为这个变量 m 啊， 中介变量 m 可以显著的影响歪，那么这个逻辑就很清晰了，就是首先总效应来说啊， x 能影响歪，对吧？然后呢，从中介变量来说， x 可以影响 m， 而 m 又可以显著影响歪，所以上面这条中介线路啊，是吧？它是成立的。好，这叫做存在中介效应， 那么还有一个词叫做完全中介，看到这下面这个字，完全中介，那么在最后一个这个三角形的最下面这条边， c 撇啊， c 撇的话呢，我们叫做直接效应，也就是 x 是可以直接影响歪的， 那么直接影响歪是吧？刚刚我们说到歪来这两个方面的影响嘛，一个是 m， 一个是 x， 如果说 c 撇不显著呢？系数 c 撇不显著，是不是就说下面这个边，他的作用是非常非常弱的，对吧？非常弱，那么就只剩下上面这条路线了，是不是就存在着完全中间啊？ 如果 c 撇显著呢啊？同理，如果 c 撇显注，显然我们就知道他是部分重减，对不对？如果 c 撇显注，就是部分重减，如果 c 撇不显注，下面这个边就 我们可以认为他很弱很弱，那么就完全中间啊，完全通过中间面来发生作用。那么第二种方法呢？我们叫做系速乘机检验法。系速乘机检验法啊，那么我们的零假设就是 a 乘以 b 等于零， a 乘以 b 等于零啊，那就是 a 跟 b 系数的乘积，这个时候呢， 应该说比原来是吧，又要简单一些。那么如果说 a 乘以 b 等于零的话，那很显然中介效应不存在吗？ a 乘以 b 就等于零。上面这根线，大家看到这个图是吧？上面这个零点这个线，两根线都没有作用 啊，所以我们直接检验成绩，那么这个要强调的是啊，原来我们用索菲奥法检验 a 乘以 b 是否为零，那么现在呢？是吧？索贝尔法它用到存在一些这个啊 b 段，所以呢，我们用 bus 卷法来取代， 总而言之，我们仍然是检验系数的成绩，那么只是方法发生了变化，我们用拨知卷法来检验 h a b 是否为零，就这个意思啊，系数乘机检验法仍然是要做的，那么不熟悉拨知卷法的人呢，你可以把它看 城市最小二乘法，那么我们 sps 当中呢？是吧？我们大家都知道用 process 这个程序啊，这是一个插件，需要安装的来进行中介效应的检验。第三种方法呢，是系速差异检验法啊，系速差异检验法， 那么这个也很好理解，大家看到第一个公式方程当中，我们说总效应是 c 对吧？ x 对 y 的总效应是 c， 那么 x 对 y 的直接效应是 c 撇，那么是不是说如果 c 会等于 c 撇的话，怎么样，我们是不是认为中介效应不存在啊？你想想看，直接效应就会等于总效应，那简单就没有中介效应嘛，因为我们说在只有一个中介变量的前提下，那么 间接效应加上直接效应会等于总效应，也就是 a 乘以 b 加 c 撇会等于 c 的。那么你现在如果说检验的是 c 等于 c 撇的话，那是不是我们也间接认为 a 乘以 b 等于零啊？是吧，只有 a 乘以 b 等于零的话， c 撇才会等于 c 啊， 那么当然这里面从原理来说是说的通的。当然是呢，大家注意，因为系数差异检验法，他的第一类错误率明显高于我们说的系 成绩检验法，所以呢，我们就不用这种方法啊，那么作为我们本科生来说，你就记住，系数差异检验法就是不用，为什么不用呢？因为他一类错误这个概率远远高于零点零五。我们知道一类错误就叫做弃真错误是吧？弃真什么意思呢？就是 h， 零本来是对的，但是呢，我们拒绝了他 啊，零假设本来是对的，但是我们拒绝了他。那么二类错误呢，叫做曲尾错误，曲尾错误就是虚无假设，也就是 h 零本来是错的，但是呢，我们接受了他，对不对？那么你可以不要管那么多，是吧？那就是第三种方法，我们就不用 啊，因为他这个犯错误的概率比较高。好，我们做一个总结，在下面啊，做一个总结。那么如果依次检验和系数乘机检验都是显著的情况下，注意啊，如果依次检验什么呢？ a 和 b 是吧，那么以及直接检验 a 乘以 b 是否为零，如果他结果都是显著，也就是中介效应显著，那么依次检验的结果要强于不是十二法的检验结果。所以我们在分析的时候，也应当先 先做一次检验，就是一次检验总效应 c， 一次检验系数 a， 一次检验系数 b， 就是这个问题，要先做一次检验。所以很多可能会认为，啊，不是 gf 啊，就是多么高级，是吧，多么这个厉害。其实不是的啊，他一次检的这个检验力啊，还是要比不是 gf 更强的，在中介效应都是显著的情况下。 第二个呢，就是说不是最好法呢，依次检验 a 和 b 与逐步法检验 a 和 b 啊，他的结果呢，基本上不会有太大的差别。所以这也是告诉我们初学者，你不要有这个担心啊，不要被其他老师这个在视频网站上一顿这个猛烈的操作是吧？一顿这个你看不懂的操作结果，得出了一个正确的结果。其实他们说的基本上都是对的啊，只是说从原理上来说，你要搞清楚就为什么，是吧？他要这么做啊， 不要被这个得愣误导，说逐步法就怎么不好是吧？他逐步法其实也有他的这个合理性，也就是逐步检验 a 和 b 的问题。刚刚如果在这个中介相应不显著的情况下，注意啊，如果中介不显著，那你就要分开来讨论了。好，你就不能说第一次检验依然比不是需要法，这个检验要好 好就这一点。第三个呢，就是间接效应 a 乘以 b， 它的符号可能与直接效应 c 的符号相法，那么使得总相应不显著，但是呢，中介效应还是存在的，比如说大家看到这个图，什么叫做间接相应？就是上面这根线，是吧？中介效应这根线啊， a 乘以 b 是这个，它的符号跟 c 也是相反，什么意思呢？相关性嘛，对不对？你这边是产生了一个正向的效果， 假设好低撇产生了一个负向的效果，那是不是 m 产生正向效果，然后低撇又产生的是负向效果，他们是不是会产生一个抵消的效应啊，产生一个遮蔽的效应啊，也就是啊，总中介效应虽然存在是吧？虽然 m 会影响 y， 但是呢，因为由于 c 撇，它的符号跟这个 m 影响 y 的符号不一样，是吧？正负号刚好抵消，那么 这个总效应是不显著的。总效应不显著，你不能说中介效应就不存在，所以这是我们深入思考的第二点啊，不能说总效应不显著就不存在中介效应啊，或者说你看还有第二种情况，就是我们存在两条中介入境，是吧？有两条中介入境的情况， 那么如果说他们符号也相反呢？而且呢，这个效应量的大小又差不多，那么很显然一正一负的话，怎么样他的抵消之后可能也接近于零，那可能是吧，总效应也是不显著的，那么但是呢，间接效应还是可能存在的，所以这是我们更深一步的思考，他还存在符号的问题啊，要同正同负是吧？那这个时候他肯定产生一个比较明显的效果， 如果说有正有负的话，它产生的是一个抵消的效果，也就是说它产生一个遮蔽的效果。那么最后呢，就是多个字变量，多个硬变量和多个中变中介变量的关系啊，我们依然可以啊，用这个 分析来追踪数据，也就是我们现在虽然大的前提都是在研究一个中介变量情况下，那么其实多个中介变量，多个字变多个页面只是复杂一些啊，基本的逻辑框架还是在这里的好，今天我们对中介效应的分析就到这里，谢谢大家。
76太阳季节
05:01查看AI文稿AI文稿要想进行中介效应的分析，首先我们要理解中介变量的含义。通俗的来说，呃，我们会研究自变量 x 对应变量 y 的影响，那如果自变量 x 通过影响变量 m 进一步影响变量 y， 那变量 m 就是一个中介变量。举一个简单的例子，假如说租客 x 通过中介公司 m 找到了一个合适的房子 y， 那中介公司在这个过程中就扮演了中介变量的角色，中介变量起到的作用就成为中介效应。在这个模型中的 a、 b、 c 和 c 撇在后面会介绍到， 那我们来举一个例子来加深对于中介变量的理解。如果说自变量是父亲的经济社会地位，那他通过影响儿子的受教育程度，进而影响到儿子的社会经济地位，那这个时候儿子的受教育程度就是一个中介变量。 那提到中介，他又分为两种情况，一种是部分中介，一种是完全中介。部分中介是指在 x 影响 y 的时候， 一部分作用是直接影响，另一部分作用是通过中介变量去影响。而完全中介是指 x 影响 y 的时候，全部的作用都通过中介变量去影响。那我们在数据分析的过程中，当 a 和 b 都显著的时候，当 c 撇的作用 呃，显著，那它就是一个部分中介。如果说 cp 不显著，则它是一个完全中介。接下来，我将使用我论文中的变量来进行中介效应检验的演示。 呃，在变量，在在。在这个例子中，自变量是累赘感，因变量是归属需要，中介变量是预期社会排斥。我所使用的方法是 boost drive 法，这也是近些年来比较简单的一种中介检验的方法。呃，需要在 spss 里面安装 process 的插件，在安装完之后，我们打开分析，然后点击回归，点击 process。 在这里我们需要填入我们的变量。首先自变量 x， 因变量 y 以及中介变量 m， 在这里 你可以填入你的控制电量。呃模型，这里我们选择 model 四，因为 process 里面它一共有八十一个模型。 model 四正好是符合我们简单中介呃模型的一个一个一个模型。 然后在这里要选择 boss drive 法，接下来我们点击 up 选选项，我们要选择标准化系数，呃，这个效用量以及总的效用值，点击继续呃，然后点击确定 好，现在结果已经出来了。呃，首先我们要检查 x， y 和 m 是否正确。那接下来我们来看第一个表格，第一个表格它所展示的是自变量对于中介变量的作用。 嗯，因为它 process， 它出现的数值可能会歪，所以你需要歪着去对齐看清这些数值。那在第一个表格中，它显示我们自变量对于面对于中介变量的作用是显著的， p 值小于零点零五。在第二个表格，它所展示的是当 把自变量和中介变量同时纳入到回归方程时，他们对于因变量的影响。那我们一样可以看到批值都是小于零点零五的，所以，呃，自变量和中介变量对于因变量的作用都显著。那最后是自变量对于因变量的总效应，我们一看到这个批值小于零点零五，所以他是显著的。 那根据我们以上的三个表格，我们可以得出结论就是我们的中介效应成立，并且它在其中起到一个部分中介的作用。 接下来我们来看这个模型的总效应，直接效应和间接效应，总效应 p 小于零点零五显著，直接效应 p 小于零点零五也显著。在间接效应中他并没有给出我们 p 值，所以我们需要来看执行区间的上下线，那当上线和下线同号，比如说同正或者同负的时候， 不包含零，就证明我们的效应是显著的。在这里我们可以看到呃负的零点三九和负的零点零二，零点零零二，它是不包含零的，所以间接效应也显著，也再一次证明了我们中介模 是成立的，并且是一个部分中介。那数据分析到这里我们应该怎么样报告这个分析的结果？在这里我给出了一份呃中介效应检验的一种报告的方法。首先我们要报告三个变量之间的相关情况 啊，在这里我们可以看到三个变量之间是显著相关的。接下来我们要进行呃回归分析的报告，那回归分析我们有三个模型，就对应我们上面提到过的三个表格。首先模型一他指的是自变量对于音变量的影响，看的是这个表格 啊，我们要我们要填写的数据，包括贝塔值，也就是这个，这个这个 call efficient 值，它的效应值还有 t 值，在这里 t 值还有尔方，这里尔方还有 f 值，还有它的显著性批值。 那模型二指的是呃自变量对于自变量对于中呃中介变量的影响。我们就看到这里的表格一一样填入我们的 bt 值、 t 值、 r 方和 f 值，呃模型三是 我们把自变量和音变量同时纳入到违规模型中，看他们二者对于音变量的影响。呃，也是一样，填入对应的贝塔值、 t 值，而方和 f 值。 在回归分析报告完之后，我们需要报告这个模型中的总效应、直接效应和间接效应，我们需要报告他的效应值。标准物是新区间的上线和下线以及间接效应占总效应的比率。这个比率你可以直接使用间接效用的效用值去除以总效用的效用值，也可以使用我们在前面讲到的 嗯， a 乘以 b 除以 c， 呃，去算，去算出去算出它的呃这个比率。 接下来接下来，呃，我们要做一个中介效应的路径图，这三个数值分别对应的是我们模型一、二、三中相对应的三个 bat 值。那填完对应的数值之后，这是一个完整的中介效应的报告的方法。
2039Echo
18:22查看AI文稿AI文稿那下面呢，我们会进一步的给大家介绍中介效应啊，中介效应我们一起来看看是什么 啊？中介效应呢？它不是一种具体的分析方法，但它指的是啊，自变量 x 对因变量 y 的影响是通过一个别的变量来实现的，我们把通过的这个变量称之为 m， 那这个 m 它就称之为是我们的一个中介变量 啊。换句话来说呢，我们看到 x 对外有影响，但是他的影响其实可能是通过另外一个变量来实现的。比方说一种最啊最简单的一种理解思路是说我们的 x 他其实并没有直接去影响外，他是首先通过影 影响了 m， 然后我们的 m 再去影响了 y， 所以我们就可以更加清晰的找到 x 对 y 的一个影响的路径啊，这个是中介效应它可以带来的一个优势， 那么在中介效应里面，他是要依托我们的回归模型来去做的啊，那他在去检验是否存在中介效应的时候呢，通常有两种检验的方法，一种呢就是我们的因果步骤法，另外一种呢是系数乘积法。 那下面呢，我们也是来呃，来，首先给大家介绍一下这个怎么去检验中介效应，它具体的步骤是什么啊？那因果步骤法呢？一共是分三步，首先第一步是说我们需要去检验我们的自面量 x 对于音变量 y 是否有影响，那检验的方式就是做一个啊，普通的线性回归啊，这里是为什么呢？是说我们为什么要去检验中介效应？肯定是说有一个前提是我们已经发现了某一个自变量 x 对我们的音变量 y 是有影响的， 只是呢，他的影响路径，他为什么产生影响是不知道的，所以我们才会进一步的去找是不是他们之间的影响会通过另外一个变量来实现。所以我们检验中介相应的一个前提就是先去检验本身自变量 x 对于我们的因变量外是否有影响， 那我们对应的模型就是 y 等于 c， x 加上 e， 一啊，我们去检验这个系数 c 是否是显著的，对吧？如果它是显著的，就说明我的音面，我的字面量对音面量是 是有影响的，那进一步的我们才会去讲，呃，才会去检验是否会存在一个中介效应。那么，呃，有了这样的一个前提之后，我们怎么去检验中介效应呢？假设我们的中介中介电量是大 m， 然后我们在检验的时候呢？哎，我们就想想，需要做两个额外的模型，首先第一个模型啊，我们做一个模型二，这个模型二是把我们的 x， 再把我们的中介电量 m 一起放进来。 所以大家看，在这个模型里面，你就是把你原来的自变量和你的中介变量一起都放进来了，然后 x 前面的系数是 cp， 大 m 前面的系数是 b 啊，然后 cp 和 b 有可能是显著的，有可能是不显著的，对吧？啊，那此外呢，你还需要再做一个回归模型，这个回归 模型是要去检验首先你 x 对外的这条路到底是不是通的，对吧？那么这个时候你就要把你的 m 当成你的音变量，然后你去看 x 对它是否有影响，所以你就需要建一个模型三，这个模型三是啊， m 等于 a， x 加 e 三。 好，那么什么情况下才说明存在中介效应呢？我们说中介效应，就是说他作为一个桥梁，哎，这条路是通的， 那如果这条路是通的，起码说明我们的 a 他应该是显著的，对吧？只有 a 显著，那么才能说明 x 对 m 的这样的一个关系是成立的。 此外，如果 m 和 y 之间的这条路是通的话，就要求我们的 b 是显著的，也就是在模型二里面， m 对外 的这个影响系数，他的回归系数需要是显著的。所以只要我们在一开始的前提，哎，就是我们的这个 c 是显著的，并且我们看到的这条路径，他所对应的 a 和 b 是显著的，那么我们的中介效应就是存在的。 好，那么下面呢，我们再来讨论讨论这个 c 撇啊， c 撇啊。我们看在模型二里面，他做的一件事情就是我们把 x 放进来了，也把我们的 m 放进来了，那如果这个 c 撇变得不显著， c 撇变的不显著，就说明当我们把 m 放进来之后，有没有 x 其实对于 y 没什么影响了，对吧？那就说明 m 可以完全的替代 x 啊，那这个时候就称之为 m， 就是我们的这个中介效应，它是一个完全的中介效应。 因为当把这个中介效应加进来之后，我们原来的变量他变得不显著了，就是他没有什么影响了，那么这个时候我们的中介效应就是一个完全的中介效应。那如果你发现你的 c 撇是显著的， c 品是显著的，说明当你把中介变量考虑来进来之后， x 仍然会对我的外产生影响，也就是说 m 对于 s， x 的替代作用只是替代了一部分，对吧？那这种时候呢？哎，我们就称之为是部分中介效应。嗯， 所以在英国步骤的检验中呢，大家一定要呃，把这个逻辑关系理清楚。也就是首先我们需要判断一个前提， 这个前提就是我们的 c 是必须要显著的。如果一开始我就发现 x 跟 y 之间没有什么关系，那其实你也不需要再去检验是否存在这个是否存在中介效应了。 那一旦我们的前提是显著的，那么我们就用两个模型，两个回归模型来检验我的中介效应，一个就是检验的这条路径，一个是检验的这条路径， 如果两条路径都通，那就说明啊，这个就我们的中介效应就存在了。那进一步的我们可以判断，哎，我们的 cp 是显著的还是非显著的？然后来衡量我们的中介效应，是一个完全的中介效应，还是一个部分的中介效应 好。那最后呢，我们其实还可以去衡量我们这个中介效应的大小，对吧？哎，怎么去衡量他的大小呢？我们会用 ab， a 乘以 b 这样的一个乘积除以 c， 或者是 a 乘以 b 除以 c 撇来衡量，那 ab 是怎么来的呢？哎，大家就可以想象，我把模型三里面的这个 m 等于 a， x 加 e， 把它带到这个 模型二里面的这个 m 里面来，对吧？他其实就是 a， d 乘以一个乘以一个大 x， 哎，然后再加上其他的 e， 所以这个 ab 他其实衡量的就是，哎，这个自变量 x 通过中介相应的这条路径对外产生的影响， 那 cpr 呢？就是刨除中介相应之外的其他的影响，那么我们可以用 ab 除以 cpa 或者是 ab 除以我们原来的这个 c， 就可以去衡量出我们中介相应的一个大小了。好，这是他的一个检验的方法，是他的英国 步骤的检验法。好，那下面呢，我们还是通过一个视力啊，然后帮大家一起来来来理一下这个关系 啊。我们的研究目的呢，还是想要去预测啊，在这个手机的广告中啊，我们广告的说服力作为我们的中介变量的时候啊，我们的这个信息性和这个购买意愿之间的关系 啊，也就是说，比方说大家在研究手机广告案例背景中的时候呢，你可能会发现你的信息性就是你广告的这个信息量越大，你的这个给用户，这个用户他收到这个信息之后，他的购买医院 越强啊，那你看到了一个这样的现象，那么可能进一步的呢，你想要去思考啊，这个现象背后的背后的原因是什么？那这个信息性他到底 是怎么去让用户增加了他的这个购买意愿？所以呢，我们就会有一个假设，比方说我们想看看这个信息性是不是会给啊，会带来更大的说服力，然后这个说服力又去影响了用户的这个购买意愿， 所以我们把这个说服力作为我们的中介变量，然后去看一下他是否存在这样的一个影响的关系。 好啊，我们来看哈啊，在具体的分析方法中呢，我们还是哎非常简单的就可以通过我们的这个快 demo 的这个建树的系统中，我们就可以把这个中介效应给呃给检测出来， 那同样我的我们的数据已经存在我们的系统中了，然后呢，我们在分析方法里面，我们就可以选择中介分析啊，选择中介分析，然后呢，我们同样要定义 的音变量是什么，对吧？我们的音变量就是我们的购买意愿，然后我们把这个音变量选进来啊，然后呢，我们在中介效应里面你需要指明你的自变量是什么，就是你最开始的那个 x 是什么，那这里的 x 就是我们的信息性，对吧？ 然后我们还需要去指明的就是我们的中介变量是哪一个啊？你到底要要去研究哪一个中介变量对他的影响，那我们的中介变量就是说服力，哎，我们就把所有的变量都选好了， 选好了之后呢，然后我们的系统就可以自动的帮我们去生成一个中介效应的分析模型了。 好，那我们来一起看看这个分析模型的结果吧。啊？对于模型中变量间的影响关系呢？我们刚才提到我们可以看他的呃配置 值对不对？刚才我们也提到了 p 值，相当于就是大家犯错的可能性嘛，那我们当然是希望这个犯错的可能性是越小越好的。所以大家看，我们首先展示的是自变量对中介变量的回归结果，自变量对中介变量的回归模型是哪一个呀？ 是我们的模型三，对不对？哎？就是说我们看 x 和我们中介变相间的关系，哎，这是我们的模型三， 那我们可以看一下他就有一个洁具像，然后呢还会有我们的一个这样的一个自变量，我们的信息性所对应的系数， 那我们可以看到我们的这个信息性，是啊，非常显著的，对吧？我们的屁直很小，屁直很小就说明说明我们的这个犯错的概率特别特别小，就几乎不会犯错，所以呢，也就说明我们的自变量 对中介电量，我们的 x 对 m 的那条路径是通的，对吧？首先把这条路径我们给他，给他找到了，并且我们可以发现我们的系数是一个正系数，就说明这个信息性他是正向，显著的影响了广告的说服力，我们把这条路径先跑通， 然后呢我们再来看看我们的那个模型三啊，我们的模型三也就是我们把我们的啊 x， 我们的信息性和我们的中介变量说服力一起都加进来，一起都加进来，我们再看一下回归结果 啊，那这个时候我们还是要关注他的回归系数，对吧？然后我们发现我们的信息性的回归系数是一个正系数啊，零点零四八。然后说服力呢，他的系数也是一个正向的系数，是零点五六零三，那我们还要去关注他的 屁直，对吧？我们说什么时候我们的中介效应是成立的呢？需要两条路径都通，在刚才那个表格里面，在我们的字边量对中介边量的回归结果里面，我们的这条路径已经通了，对吧？因为我们的屁直很小， 那我们再来看看现在我们的 m， 我们的说服力对我们的音变量是否会产生显著的影响呢？哎，看一下他的屁直，哎，发现他的屁直特别小，特别小就说明我们几乎不会犯错误，所以我们就可以非常放心的，哎，认为我们的说服力是可以显著的影响我们的这个音电量的。 好，那我们的第二条路径也通了，那我们进一步可以思考的就是，哎，我们现在已经发现我们的中介效应是成立的了，那最后我们就要考虑一下，这是一个完全中介效应，还是一个不完 完全的中介相应，还是一个部分中介相应呢？我们就还可以进步去看，当我们把大 m 加进来之后，对吧？大 m 加进来之后，我们的这个原来的 x 它是否是显著的？ 那我们可以看到它的系数是零点零四八零，然后它的 p 值是零点一七九一， p 值是大于零点零五的，对吧？我们一般是把零点零五作为我们的基准，我们发现，哎，这个时候你的三寸的概率变大了，我们就会认为它其实不是一个显著为零的 啊。所以我们会发现，当我把 m 放进来，把我中介效应放进来的时候，我们的信息性他变得不再显著了，这说明我们的说服力就完全的替代了之前信息性的这个对于音电量 购买意愿产生的影响，所以这是一个完全的中介效应，这其实就是我们通过啊因果分析的步骤我们得到的一个结果， 那我们之前还说过，我们其实还可以去看我们的这个中介相应的大小，对吧？就如果是说他不是一个完全中介相应的话，我们还可以用 a 乘以 b 啊，除以 c 或者除以 cp 的方式来看他的中介相的的这样的一个大小。 好，那这是其中我们按照这种因果关系的方式啊，去看我们的怎么去分析我们的中介效应。 那此外呢，其实还有一些其他的分析方法哈，比方说我们可以用 bus trip 的分析方法来做啊，那 bus trip 是什么意思呢？嗯？那大家还记不记得我们刚才说我们为什么要去检验我们的回归系数？就是 因为当我们的样本变了，比如说你重新抽两百个样本，那这个时候你的系数肯定会发生变化，那我们想看看这个变化到底大不大，对吧？那我们不可能 就是重新收集样本，因为如果是说我们重新收集样样本的话，首先我们的在我们的这个你可能找不到那么多人，然后呢，这个你的各个方面的这个投入也会比较大， 那怎么办呢？哎，我们就可以用另外一种统计上的方法叫做不 strep 啊，简单来说就是我现在已经有两百个样本了，我想通过这两百个样本，再通过有放回的方式重新抽得两百个样本。 有放回的方式是说我抽了一个人出来，哎，我把这个人放回去，再重新抽第二个人，当然我抽到的第一个人，他有可能也重新被抽，也重新 被被被抽出来，对吧？啊？那我们通过这种有放回的抽样，我原来是两百个个体，我现在通过有放回的抽样，我可以再构造一个两百的个体出来，那么通过这两百个个体的数据，我就重新可以再去生成一遍我回归 模型的一个结果，就可以得到我们的这个系数估计值了，以及我们可以知道他在这个系数估计值上，他对应的这个知性区间有多大。 然后呢，我们在布斯 trip 里面，因为你是有饭会的抽样嘛，你就可以循环很多次，你可以循环很多很多次，然后说你循环了一百次， 相当于你就跑了一百个回归模型，然后每个回归模型你都会有一个系数过去值，你都会有一个这样的一个回归系数啊，也会会有一个置信区间，然后你就把这一百 百个执行期间里面，哎，你看看这一百个执行区里面里面的最低值是多少，就是这里的。然后这一百个执行区间里面的最高值是多少就是这里的。 那如果我们得到了这样的一个啊，知性区间的最低值和知性区间的最高值，他们之间是不包含零的，就说明我们的系数是一个显著的系数， 因为他说明当你重复了一百次实验，当你把你的这个呃这个这个实验重重复很多次的时候，你的系数仍然是非零的， 所以他同样可以表明我们的这个系数的一个显著性。然后这是我们通过 boost tripe 的方式，也可以得到参数显著性的这样的一个啊判断的方法，我们发现他其实也是啊，不包含零的，所以呢就说明我们的中介效应是显著的 啊，基于我们刚才的这种方法啊，我们的这个呃系统中呢，他就会自动的给大家把我们刚才的分析的方法以及对呢结果做一个解读 啊，比方说我们刚才用的逐步的这种分析方法，就是我们通过这个建立三个不同的模型去判断，对吧？啊，那这种方法呢，我们也是有理论支持的，然后是根据这个温中林他们在二零一四发表的这个文章，呃，里面提到的这个方法来进行检验的 啊，我们可以看到，在百分之九十五的执行区间线，然后信息性对说服力的回归中，回归系数是显著的 啊，然后这是我们的第一条路径。然后呢，在信息性说服力对购买意愿的回归中，我们这个说服力的回归系数它的配置也是小于零点零五的。说明，说明说服力在信息性对购买意愿的 影响中发挥了显著的间接效应。然后在信息性说服力对购买医院的回归中呢，信息性的回归系数是不显著的，就说明他是一个完全的中介效应 啊，那如果通过这种不 strop 的方法呢？哎，我们同样可以去看一下，哎，在这种不 strop 方法的结果下，是否还可以检验出中介效应，以及它是不是还是一个完全的中介效应？哎，我们会发现你得到的结果其实跟上面是比较一致的 啊，这就说明在自动生成的这样的一个指标的解读中呢，无论我们是采用哪一种方法来进行估计，我们都可以发现啊，这个说服力在信息性对购买意愿中的影响中发挥了正向的终结作用， 所以我们得到的结果是比较一致的。
165Credamo见数
26:14查看AI文稿AI文稿哦，大家好，我是山东大学的陈强，那么这一期视频号呢，继续跟大家介绍中介效应的原理与检验下， 那么在上一期的视频号中，我介绍了中介效应的检验方法之一，也就是这里的逐步英国法啊， coco steps approach。 那么在这一期的视频号中间，我将啊继续介绍第二个方法以及第三个方法。 那么在此之前呢，我还想回答一下这个观众在评论区所提出来的几个小问题， 那么一个问题呢，就是说有些观众还是不理解，为什么在我举的那个例子中间，那个年龄于性别不可以作为中介变量。我举的那个例子呢，就是想研究 管理层的这个支持是如何去影响员工的业绩啊，那么在那个例子里面呢，我也考虑了这个员工的年龄与性别，我们假设他可以用来作为中介变量，那会是什么样的后果？ 首先呢，我们要注意的就是说这个中介变量它是一个专有的术语啊，最好不要从这个中介这个词它通常的含义上去理解， 因为中介效应是一个装有的术语，所以其实它的定义就是说你要有一个因果的链条，也就是从你的自变量影响到中介变量，再影响到你 的结果变量，有这样的一个英国链条的存在，这是它最本质的定义。那么我们来看一下，有没有可能你把这个 h 或者 这个性别作为 media 的放在这里。那么首先一个问题就是说，你的管理层的 support 无论如何是不可能去影响员工的年龄或者性别，因此呢，这个从 x 到 m 的这个 a 的这个路径其实就不存在， 因此呢，性别或者年龄就只能够作为调节变量，就是说他可以去调节 x 对外的作用，也就是一种意志性的效应，就是说 x 对外的作用呢，会因为这些员工的年龄或者性别的不同而不同，但是年龄和性别是不可能作为中介变量的。 那么评论区的观众还有另外一个问题，就是说这个总效应的方程一，也就是这个方程是不是会存在有遗漏变量的偏差啊？那么我们也来 来探讨一下这样一个问题啊，从表面上来看，似乎是存在一个遗漏的变量，因为如果你跟第三个方程去比的话，那么明显它是遗漏了这个 bm 这一项，也就是遗漏了这个中介变量 m 啊，但是呢，因为这三个方程是我们所假设的，所以呢，这个其实这里的 m 它是由这个自变量 x 所决定的 啊，如果我们把这个 m 的这个方程第二个方程给他带到第三个方程里面来，我们就会得到不一样的一个结论了， 那么也就是这里啊，我现在做了一件事情，就是说这是我的第三个方程啊，然后呢，我把这里的 m 用第二个方程的这个表达是给他带进来，那么就变成这啊，这是我的第二个方程， 也就是把我的 mediatorm 对自变量 x 去做回归的方程啊，然后呢，我把它这个沉进去，再给它合并同类下，那么我看到说现在我的新的这个结局线呢，就应该是 i 三加上 b i 二， 那么这个其实就相当于翻成 e 的那个 i 一了，而这里的这个 x 我同样也可以和平同类一下，那么就是把原来的 c pry x 和这里的 a 乘 b 的这一项加在一起， 那么因此呢，这个 x 前面的这个回归系数呢，就变成 cprn 加 a 乘 b， 那么这个呢，其实就是翻乘一里面的那个 c 了，也就是这里的这个 c， 那么同样的我现在这个劳动像呢，就变成什么呢？就变成你把这个 b 成 epio 二以及这个 apio 三加在一起，那么这个就是我的新的老动向，也就是这个翻乘一的一手一，其实是这样的一个表达式啊。 那么现在的问题就变成说，我既然可以把方程一写成这样的一个表达式，那么我要回答的一个问题就是说，对于方程一我能不能够得到一致的估计， 那么这里面就取决于什么呢？取决于这个方程一的劳动像，其实里面是有两个部分，有包括了 b 一手二和一手三，那么他会不会和这个方程里面的这个解释变量 x 有相关性， 那么这里面搭呢？我们是需要一定的假设，那么一个很自然的假设就是说方乘二和方乘三都没有遗漏变量，也就是说我们假设方乘二和方乘三呢，都可以得到一致 的估计，那么这就意味着什么呢？意味着 f 手二和 x 是不相关的，和方程三的一致性意味着 f 手三和 x 也是不相关的， 那么这样我们就会马上得到一个结论，就是说方程一的这个老动向里面的这两个组成部分， 也就是一手二和一手三，他们其实跟这个 x 都不相关啊，因此我们马上可以得到结论，就是说，其实呢， 这个方程一他也是可以得到一致的估计的啊。那么这里面的一个唯一的我们需要的一个条件就是说你的方程二和方程三能够得到一致估计， 那么你就不用担心方程一会存在一路变量，他也可以得到一致估计啊。当然了，如果方程二和方程三无法得到一致估计，那么方程一肯定就 就得不到一致估计了啊，那么这个是非常显然的，因此呢，就是说你为了保证方乘二和方乘三能够一致估计，那么你在实践操作中间通常是需要加入比较多的这种控制变量，从而来保证方乘二和方乘三不存在内生性。 那么从刚才的那个问题，我们也可以隐身一下，就是说另外一个观众提出来一个问题，就是说可不可以用除了 os 以外的方法来检验中介效应啊？那么简短的回答就是说是可以的啊， 比如说你可以用 logic 啊，如果你的这个 m 或者 y 这里面有任何的一个变量是，比如说是虚拟变量当 b b， 那么你可以用 logi 或者 pro 比去估计他，而不见得非得要用最小的乘法。另外呢，就是说刚才我们谈到了已漏变量问题， 那么假设说翻成二或者翻成三存在遗漏变量偏差，那么这种情况下，为了解决内生性呢，你可能就需要去找一个工具变量。 那么因此呢，这里面其实你用工具变量法，像比如说二阶段最小二乘法或者 gm 去估计这样的三个方程是完全没有问题的啊，只不过呢，大家最常用的还是用最小二乘法去估计啊，如果用 iv 的方法或者 probe logo 都相对比较少见一些。 接下来呢，我们就言归正传，就来介绍今天要讲的这两个方法啊，其中的方法二呢，就是叫做系数差异化， defense off 扣一，非常 smasher。 那么是什么样的系数之间的差异呢？我们可以来看一下这个逐步英国法里面的这三个方程。那么从第一个方程我们知道，这个适应的 是表示一个总的效应啊，也就是说，把这个直接效应以及通过中介变量所起的这个间接效应，他俩的之和其实是通过 c 来体现了。而这里的第三个方程呢，他是同时把这个自变量以及这个中介变量都放入到回归方程里面去了。 我们来考虑一下，就是说如果这个中介变量是存在的，那么其实呢，这个 cpry 我们会期待他应该只是 c 的一部分啊，因为这里的 cprine 呢，它度量呢是一个直接效应， 如果 c prim 和 c 它俩就完全相等的话，那么就意味着这个中介电量其实是不起作用的。因此呢，我们可以通过 c 和 c prime 之间的差别，这两个 违规系数的差异，我们来判断是否存在中介效应，那么这个就是所谓的系数差异法，也就是说我的原角色呢，现在就是去考察 c p n 减去 c 是否是等于零， 那么这里的 c 呢，就是偷偷与 fight， 而 zpry 呢，是一个 draft， 那么你把这个 total infant 减去 draft， 那么自然就是剩下的那个作为间接效应的中介效应了， 那么检验的方法呢？其实挺简单，我们可以去构造一个 t 统计量啊，也就是说，当你有了样本之后，你得到这个 c hi 与 c pranhai 的 os 的估计值， 那么你可以把这个 zhead 减去 cprinety， 这个样本估计是作为分子，然后除以他的这个标准误差，也就是说你去算一下 c head， 减去 c prine head 这个 variance， 然后去估计一下她的这个 variance， 再给他开根号，那么其实就是处于他的标准物了 standard arrow， 那么可以证明呢，这个 t 统计量他是服从渐进正态的，也就是说他在大眼本下会收敛到一个标准正态的分布啊， 因此你就可以用标准正态的那个零借值一点九六去检验 c 减去 cpry 是否显著的不等于零， 那么这个就是一九八八年由他们俩所提出来的一个方法，就是说给出来了计算这个标准物的一个具体的公式啊，也就是说这里呢，就是你可以去把这个啊， c 的自己的标准叉算出来，然后 c prim 的标准叉算出来，再减 减去他们俩的这个两倍的 covariance， 那么这里的啊，其实就是个相关系数啊，而这个 sc 跟 scp， 那么就是他们俩的标准差。 因此通过这样的一个方法，你可以算出来 c head 减去 c prime head 这个样本翻插，然后开根号之后就是一个标准物，由此你就可以得到这个相应的 t 统计量，然后做这样的一个 t 检验。 但是呢，这个检验的方法就是稍微有点绕了，就是说我本来是要关心的是中介效应这个间接效应到底是否存在， 那么他的这个 approach 呢？就是说我把那个总效应减去直接效应，看一下是不是等于零，所以他等于是有一些绕远了。也就是说如果回到我们这张图的话，那么其实呢，他考察的就是说 看一下这个 c prime 这个直接效应是不是和我的总效应，也就是这里的 c 他俩是相等的啊？那么这个还是稍微有点烙远了。那么实际上更加直接的去检验是否存在中介效应的这个方法呢，我就直接可以去看 a 和 b， 那么我们知道这样的一个因果链条如果要成立的话，那么必须要有 a 是不等于零的，而且 b 也得不等于零， 那么如果我们想要直接度量间接效应是否存在，也就是说我们是需要 a 和 b 他俩都得同时不为零才可以， 也就是这里的这个原角色，就是说 h 零， a 等于零或者 b 等于零，那么只要 a 等于零或者 b 等于零，这个因果链条中间的任何一段如果是不成立的话，那么 那么这个中介效应就是不存在了。但是呢，这个检验呢，有一点麻烦，因为它不是一个联合检验，而是一个 a 等于零或者 b 等于零，那么怎么办呢？我们可以把它转换成一个单一的检验，也就是说我可以把它写成他一个等价的形式，就是 a 乘 b 等于零， 因为如果 a 或者 b 等于零的话，那么很显然 a 乘以 b 一定要等于零。反过来，如果 a 乘以 b 等于零的话，那么 a 或者 bb 蓝至少有一个，要是等于零的， 那么这个约束呢，条件就变成只有一个了，那么这也就是所谓的系数乘机法，因为它是 a 和 b 这两个回归系数的乘机，作为我们检验的远角色和统计量。那么这里呢，我们会看到说它其实是一个非线性的约束啊，因为并 不是 a 和 b 的一个线性组合，而是他们俩的一个成绩，所以呢，做起来的话就稍微有点麻烦。那么 berlin can 一九八六年的那篇经典的论文呢，他就推荐说使用手表一九八二年的方法， 也就是说针对这样的一种非限性的约束啊，那么啊，我们是需要把它做一些泰勒展开啊，也就是所谓的 dota messer， 然后来推倒出它的一个大样本的分布啊， 那么这个就是这个 sober 在一九八二年的那篇论文 as entire confidence intervals for indirect effect instructual equation models。 那么我们同样可以去构造这样的一个 t 土地量，也就是说我把这个 ahan 乘以 bhan， 也就是 a 乘 b 的样本估计值，然后呢，除以他们俩的标准 差，那么我可以证明呢，这个系统计量也是服从渐进标准正态的分布。那么这里面的一个关键问题就是说，我是应该如何去计算这个 a 乘 b 的标准误差啊？那么因为它是分线性的，所以这里面就稍微有一点麻烦 啊。那么在讲这个如何计算标准物之前呢，我们这里先回过头来看一下这个系数乘积法与系数差异法的联系啊， 其实从前面的那个推倒中间我们可以看到，就是我们刚才在推倒那个考虑是否存在一路变量偏差的时候，其实有得到一个这样一个结果，就是说 c 减去 cpon 其实是等于 a 乘 b 的， 我们可以回过头去看一下，也就是这里啊，我们当时的推倒结果就是说这个方程一的这个 d 呢，其实是等于 c prang 加 ab 啊，因此呢，你只要一把它移向，把这个 cprine 给它移到这个 c 的这边，那么马上就会得到一个结果，就是说 c 减去 cpran 其实就是等于 ab， 也就是说这个是因为我们写下了这么三个方程，他们自然这个三个方程的回归系数之间就存在这样的一个关系， 而且呢，就是说，只要你用的是 os 去估计，那么我们可以证明说，在你的样本里面，这个等式依然是存在的， 也就是这里的 c 害减去 c prank 一定会等于 a 害乘以 b 害啊，那么这个是只要你用 os 去估计他，那么他是一定会成立的这么一个等式啊。但是呢，就是说，呃，你用这个系 数差异法 c 害减去 c prank 去做检验的话，那么你所估计的那个标准物和你用这个系数乘机法 a 害 b 害去作为检验统计量，那么他们俩那个标准物的计算结果是不一样的。 那么对于系数乘积法，也就是说，如果我们用 ab 等于零作为原角色的话，那么他的这个标准物到底应该怎么样来计算呢？ 那么可以证明 a 害跟避害他俩其实是相互独立的随机变量，而且都是服从渐进正态的分布啊，因此呢，要计算 a 害成避害的这个方差，其实还是相对容易的， 那么这里面我就给大家稍微介绍一下，譬如说，我可以把 a 害做一个标准化，也就是说把它写成他自己的那个均值，这个啊 mua 加上他的标准差成 以 z 一这样的一个随机变量。而 z 一呢，就是服从一一个渐进标准正态的分布啊。其实这个 z 一呢，就等于是说把 a 害这个随机变量给他做了一个标准化，也就是减去他的均值除以他的标准差。 那么同样的，我可以把这个 b 害这个随机变量也做一个标准化，可以把它写为这个 mub， 也就是 b 的那个期望，再加上这个 c 个码 bb 的那个标准差，再乘以 z 二这样的一个，也是服从渐进标准正态的这个随机变量。 而且呢，我们知道说这个 z 和 z 二，他俩是相互独立的，因此呢，我们就可以很快的得到这个 a 害乘以 b 害的这个翻叉的表达式啊，那么你把这个上面的这个柿子带进去， a 害是用这个 mua 加 加上 c 个码 a， z one 带进来，然后这个比害呢，用 mu b 加上 c 个码 b， z 二给他带进来，然后呢，你把它盛开来就变成四项。那么这里面呢啊，虽然有四项，但是我们知道第一项只是个长数，其实你可以忽略啊，因为加上任何的长数不会改变方差。 而这边呢，剩下这三下呢啊，其实他们的这个斜方叉都是零啊，因为呢， 这个 z 和 z 二是相互独立的，而这边呢，虽然这里 z 乘 z 二似乎跟前面的 z 或者 z 二有相关性，但是如果你去算他的斜方叉的话，其实很快就会发现他也是等于零的， 因此呢，我们就只需要考虑他的这些翻插的这些像就够了，那么你把这个翻插球进去，就会得到这个 c 哥吗？ a 方没有 b 方啊，然后是 z 一的这个翻插，也就是这一项的翻插，那么第二项的翻插呢，就是这个 c 个码 b 方 mua 方，然后再乘以 z 二的翻插， 然后呢，最后一项，你把这个前面的系数就会变成 c 个码 a 方，乘以 c 个码 b 方，然后呢，是把 z 一的方差乘以 z 二的方差，因为 z 和 z 二是相互独立的， 那么这里面，因为我们刚才说了，这个 z 和 z 二都是渐进标准正态，也就意味着他们俩的分叉呢，其实在大样本下是收敛到一的， 因此呢，这个啊， z 一的方叉， z 二的方叉以及 z 一的方叉和 z 二的方叉相乘，在弹幕下都可以直接把它忽略掉，所以就会得到这么一个结果，那么这个就是在大样本下的一个近视了。因此呢，如果我们要估计这个 aip 害的翻叉，那么你只要把这个表达式里面的这些 c 个码和 miu 给它换成相应的样本的对应的那个表达式就可以了，就是说这个 c 个码 a 方，你就给他换成那个小 sa 方啊，也就是用 a 害的样本翻插来替代就可以了。 而这个 mu b 方呢，其实就是 b 的那个样本均值，那么因为这个 b 其实他在样本中间就只有一个观测值，也就是逼害，所以这个地方其实他就是逼害的平方啊，那么剩下这些像同样的是可以这个用样本的相应的观测值去替代， 因此呢，我们就可以得到标准物的表达式。那么当年这个收表在一九八二年他提出来的表达式就是这样的啊，他其实是把刚才我们看到 这个第三项给他忽略掉了，他认为这个是相当于一个二次项，因为是两个翻插存在一起，那么可能就很小了，所以他就直接把那一项给他忽略掉了啊，然后就会得到这样的一个表达式啊， 那么有一个更早的一个哥们，他在论文里面其实把这一项也给他放进去了啊，那么这个就相当于是做了一个二阶的泰勒展开手表。一九六零年的这篇论文呢，其实他还提出另外的一个估计标准物的方法，也就是这里， 那么为什么要提出第三个呢？也就是说他发现说，其实呢，你把这一项加上去，他其实是一个有偏的估计，也就是说是有 buyers， 那么如果要把它变成一个无偏的估计呢，你不仅不能够给他加上这一下，你反而要给他减去这一下，那么这样才能够得到一个安白。 那么因此呢，我们就会有这么三个不同的这个标准物的计算方法啊，那么他在大样本下都是有效的，也就是说如果 n 足够大的话啊，那么他们都会瘦脸到同样的那个真实的标准物。 但是呢，在有限的样本下，这三种啊计算标准物的方法就可能不太可靠了啊，那么现在比较流行的做法就是说直接使用 booster， 也就是自助法， 那么就是你每次都做有范回的在抽样，也就是说，比如说你从这个样本中间抽出来一个观测值，然后记一下你抽的是什么，然后再把这个观测值给他放回去，也就是 reset replacement。 然后呢，你再继续再抽一个新的观测值，然后再记一下啊，然后再把这个观测值再给他放回。 因此呢，你这样用这个 boss 出来这种自助法呢，就有可能会把这个观测值，有些观测值呢会可能抽到多次，和有些观测值呢，可能就没有抽到啊，但是这个都没有关系啊，那么这个就是自助法的一个标准的做法。 那么假设比如说你通过自助抽样得到了一千个不同的自助样本啊，然后每一个自助样本的他的样本容量跟原始的那个样本的样本容量都是一样的， 因此呢，比如说如果你有一千个自助样本的话，你就可以得到一千个 a 害和比害的观测值啊，因此呢，你就会可以得到这个 a 害和比害的一个自助的这样的一个分布， 就是一个 boost dragon。 然后呢，你就可以根据一千个 a 害成 b 害的样本观测值去 计算他的样本标准差，那么这个是自助法现在是比较流行，他特别适用于样本容量不太大的情况下， 而且呢，这个 soba test 他这个用的是大样本理论，也就是说这个提桶剂量在大样本下会收敛到一个标准正太，但是呢，对于有限的样本，可能他未必就能够收敛到标准正太， 换句话说就是说他有可能这个踢土剂量的这个真实分布离标准正态还有一定的距离啊，特别是当你的要么容量不太大的情况下， 那么你这里的 a 害成 b 害，虽然 a 害和 b 害都是渐进正态的，但是呢，两个正太分布的成绩，他也未必就是和这个正太分布很接近啊，因为这个 a 害和 b 害，他们俩的期望和方差都不一 一样，那么有一些做了一些蒙迪卡罗是一名类型啊，这些模拟就发现说，其实在有限样本下， a 害成 b 害可能是非对称的啊，通常会有一个比较长的右边的尾巴，也就是说这个分布可能是在有限样本下会是向右偏的， 那么这样的话，你如果去用这个标准正太的那个临界值，比如说一点九六去做检验的话，可能也会导致偏差。 因此呢， soba test 在当代的做法就是说，我就直接用这个自助法去构造他的一个百分之九十五的自信区间，然后用这个去做检验，而不一定非得通过那个提统计量去做这种假设检验。 那么另外一个想跟大家交代的就是说，当你把这些啊， abcc plan 这些我们关心的系 给估计出来之后，其实就很容易去计算这个直接效应和间接效应，以及他们俩占这个总效应的比重了， 那么这里给他写出来，明确的写出来这个公式啊，那么比如说你如果想考察直接效应占总效应的比重，那么其实就是 cprine 除以 c， 那么 cprine 就是那个直接效应，而 c 呢，就是那个总效应， 那么当然的这个 c 呢，其实就是在数字上，他就等于 a 乘 b， 再加 c pray 啊，所以呢，你在这个分母，你也可以给他写成 cprint 加上 a 乘 b 啊，那么结果是一样的。 那么啊，我们可能更关心的是这个中介效应，也就是这种间接的中介效应，他占这个总效应的比重啊，那么这个在做中介效应这种 啊，时政分析的论文中间一般都会汇报啊，就是说你所关心的这个中介效应，到底在这个总效应中间占了多大的比重啊？那么啊，也就是这里的这个表达是，你就把这个中介效应，也就是 a 成 b， 除以总的效应 c， 那么就可以得到中介效应占总效应的比重了。那么这个中介效应为什么是 a 乘 b 呢？其实很简单啊， 就是说，比如说我们看到这边 x 到 m 的这个回归系数，这个斜率是 a， 对吧？那么也就是说这个 x 增加一单位，会导致 m 增加 a 这么多， 而呢从 m 到 y 的这个啊，关系呢，它的回归系数是 b 啊，那么换句话说， m 这个中介变量如果增加一一个单位的话，那么这个 occumberry 这个 y 呢，就会 增加 b 个单位，因此呢，你把这个两个给他串起来，那么就是说我们会得到一个结果，就是当这个 x 增加一个单位，那么会通过这个 m 这个中介变量使得外增加多少呢？这个中介效应到底是多少？那么就首先是一个单位要乘以一个 a， 然后使得 m 增加了 a 个单位，那么 m 增加了 a 个单位之后呢，还得再乘以 b 啊，那么才是最后能够使得这个外增加的那个量， 所以呢，这个中介效应其实它就是 a 乘 b 啊，也就是我们这里 soba test 的他所关心的就是 a 乘 b 是不是等于零，因为这个其实 a 乘 b 度量的就是这个中介效应到底等于多少。那么更多的细节呢？我会在下一期，也就是 中介效应的 stat 操作中间做进一步的介绍啊。那么这一期的视频号就介绍到这。好的，谢谢大家，再见。
27:13查看AI文稿AI文稿哦，大家好，我是山东大学的陈强，那么这一期的视频号呢，我们就来介绍中介效应的 stat 操作的上部分。 那么前面呢，因为有二零二一年经济学落奖的颁布，所以我做了三期关于今年经济学落奖的视频号，所以呢，原来关于这个中介效应的这个视频号，就中间间隔的稍微时间有点长了。 如果你觉得前面的关于中介效应的原理部分，如果有一些遗忘的话，建议你可以去看一下我前面关于中介原理介绍的视频号。 那么先来回顾一下中介效应估计的基本框架，也就是这里呢，首先会有一个自变量啊，这个 x 啊，那么在我讲的那个例子中间，这个就是 support 啊，就是 proceed supervisor support， 就是说员工 所感受到的管理层对他的支持。而我的结果变量呢，就是这里的 perform， 也就是他的这个 job performance 这个员工的业绩。而这个 m 呢，就是所谓的中介变量啊，这个 mediator， 那么这里呢，是 satis， 也就是表示 job satisfaction， 也就是说员工所感受到的管理层的支持呢，他既可以直接的通过 cprine 这个渠道啊，有这样的一个 draft 而作用到我的这个 y， 那么也可能呢，会通过一个中介变量 m 啊，这个 mediator 来间接的作用到这个结果变量 y， 那么这里呢，就是说从自变量 x 到中介变量 m 的这个渠道呢，被称为叫做 a 啊，那么就是说，你的这个管理层的支持，使得员工更加对于工作的满意 度增加了，而工作的满意度这个 mediator 增加之后呢，他又会有一个因果的作用啊，作用到这个员工的业绩，也就是这里的 y 啊，那么从 m 到 y 的这个路径呢，被称为叫做 b， 那么这边呢，就是 baron and can 一九八六年所提出来的这个中介效应的一个估计的框架啊。那么第一个方程呢，就是外对 x 来做回归，那么这个是所谓的总效应，那么他是用这个 c 来表示他的这个作用的这个力度啊，也就是这里的总效应。 而第二个方程呢，是把 m 这个 media 的中介变量对自变量来做回归，这里的 x 前面的这个回归系数呢，是记为 a 啊，那么表示的就是说是这个自变量对中介变量他的作用力度 有多大。而第三个方程呢，就是你把这个 y 呢，同时对 x 这个自变量以及 m 这个中介变量来做回归，那么它相应的回归系数呢，是 c pri 和 b， 也就是这里的 c prime b。 第二个方程 a 呢，就表现在这啊，那么这个第一个方程那个 c 呢？我这里没有写出来，在这张图上，但是以前也给大家展示过。 那么在介绍中介效应的 stay 打操作之前呢，我还想回答一位朋友在评论区的问题，据说这个问题困扰了这位朋友有十年之久啊，那么他的问题呢，就是说如果你有面板数据，那么应该怎样去估计这个中介效应？ 其实呢，从这三个方程我们看到说每一个方程都是用最小号乘法来估计的，而如果你有面板数据的话，其实对于 面板数据最常用的方法就是双向固定效应模型，也就是说你在 os 回归中间只要加入个体的虚拟变量与时间的虚拟变量，那么就可以把个体固定效应和时间固定效应都给控制住，然后呢，你就照常做 os 回归就可以了。 因此呢，在面板数据中使用中介效应，其实在原理上并没有什么太大的区别啊，只要你把相应的个体虚拟变量以及时间虚拟变量都放入回归方程，那么就可以了。 那么在介绍中介效应的 stay 塔操作之前呢，我们再简单的回顾一下，这个中介效应究竟是如何来检验的。首先呢，这个中介效应其实就是 a 陈 b， 因为这里有一个因果作用的链条， x 到 m 的作用力度是 a， 而 m 到 y 的作用力度是 b， 那么这个渠道呢，是一个所谓的中介效应，也称为间接效应，那么它的整个的作用力度呢，最终就是 a 成 b， 那么因此呢，中介效应的这个最著名的 soba test， 其实它就是来检验这个 a 成 b 是否等于零。 那么就以这个作为我们手表检验的原假设，那么这里的主要的麻烦的地方就是说，因为 a 乘 ba 和 b 都是回归系数，而这两个回归系数存在一起，那么就不是我们传统所说的那个线性假设了， 因为如果是线性假设的话，那么只是把回归系数做一个线性组合，然后你去检验这个线性组合是否等于零或者某个长数，而这里呢，是两个回归系数存在一起，所以呢，它本质上就是一个非线性的约束啊。那么对于这个非线性的约束呢，如果你要去 做检验的话，你同样可以去设计一个梯桶剂量，那么这个梯桶剂量呢，在大案本下也是服从渐进的标准正态分布的，但是呢，因为他是一个非线性的约束，所以你要去估计他的标准物的话，就会比较的麻烦。 那么早期在文献中间有出现了三种这样的不同的计算的公式啊，一个是手表一九八二年，一个是这个哥们一九六零年，还有另外一个也是哥们一九六零年所提出来的方法，那么这三种方法都是根据公式的推倒做了一些假设， 那么其实呢，当代的做法就是说通过自助法，因为自助法是不需要任何的假设，所以它是最为靠谱的，而且适用于任何的样本容量，只要这个样本容量不是太小就可以了。那么要做中介效应检验呢，有一个 stay 命令啊，就叫 说这个 sg mediation， 其实这个 s 呢，就指的是 soba， 而 g 呢指的是 goodman， 因为前面我们讲到了有这个 soba 和 goodman 所提出来的那些不同的计算标准物的方法，所以这个命令呢，就叫做 sg mediation。 那么他的下载方法呢，你可以从这个金管之家去下载这样的一个包啊，因为他并没有放在通常的 ssc 这个平台上，所以你没有办法直接通过 ssc installsg 米 ta 选来下载它， 那么就是你可以到金馆之家的这个网页啊，就是啊，或者你搜索一下也行啊，然后去下载这个 sgmda， 选这个压缩包，然后解压之后呢，就放入你的 stata 的一个文件夹啊，这个就是 ado pluss 这个文件夹，那么如果你不知道这个文件 家在哪里的话，你可以在 stay 中间输入一个命令，就是这个 season dia， 就是 system directory， 然后你可以看一下这个路径是在什么地方啊，就是 ado plus， 这个就是通常是放所有的这个非官方命令的这样的一个地方，而这个 s 呢，因为我们这个命令呢，是以 s 打头的 sgma 选，所以一般会建议你放在这个 s 的这个文件夹里面。 那么这个命令的基本句型呢，也很简单啊，就是 sgmda 选，后面跟着你的这个背景是变量，也就是你的结果变量了，那么就是我们通常所说的 y， 然后呢后面有个 mv， 这里面跟着 mdacean variable， 这里呢就是放着你的这个中介变量， 而这个 iv 呢，就放着你的 independent very， 这里的 iv 呢，并不指的我们通常所说的那个工具变量的 iv， 而是指的是 independent variable， 然后呢这个 c v 呢，你可以放一些这个 coberry， 就是一些斜变量，也称为叫做控制变量，比如说你可以这样来写， 就是 sd mediationy， 然后逗号，那么逗号后面的这些选择下呢，就是指定以 m 作为我的 mediator 中介变量，而以 x 作为我的 independent variable， 也就是质变量，而这个 z 和 z 二呢，作为我的 covari， 那么这两个呢，就是斜变量， 我们就以 stata 光碗的一个数据级啊，也就是我们前面所一直在举例的关于这个 job performance 的 data 啊，这个其实呢，是 stay 塔公司自己造的一个 fictional data， 也就是说它是一个虚构的一个数据级，但是并不影响我们作为案例来演示啊。那么你通过这个命令呢，就可以直接从 stay 塔的关 当晚下载这个数据集，然后你可以用 describe 看一下这里面都有哪些变量啊，那么其实呢，就是这些变量我们应该比较熟悉了，像这个 perform， 这就是我们的 y， 表示的是员工的 job performance， 而这个 saddis 呢，就是表示的是员工的 job satisfaction， 就是员工的工作。网易度 好，这个 support 呢，就是我们的这个自变量，那么它就是这个 perceive supervisor support， 也就是员工所感觉到的这个管理层的支持啊。那么这个 setis job satisfaction 其实就是一个中介变量， 那么这个数据集里面呢，还有一个变量叫做 branch 啊，他其实是指的这个 department store branch， 也就是说你可以想象这是一家百货公司啊，那么他在各地有不同的这个分支机构。这个 branch 呢，其实我们到后面，我们可以用它来作为鞋变量来 控制每个分支机构的这种 branch 的 fixing fat 啊。我们先用上面来看一下这些变量的基本的统计特征啊，然后我们会看到说这个 ops 就啊是一千五百，那么也就是说样本容量是一千五百，然后这里汇报了一些 means and deviation， ming 跟 max， 你可以自己看一下。然后呢我们就套这个 sg mediation 这个命令的剧情，后面跟着 perform， 这是我的 why？ 然后这个 mv 呢，里面就是我的这个 mediator， 也就是中介变量 satis， 然后 iv 呢，是我的 independent variable， 就是这个自变量 support 管理层对员工的支持， 那么这个是他输出的第一个结果啊，那么其实是给我们汇报的就是总效应，也就是所谓这里所说的 pass c 啊，那么就是说，其实呢，很简单，就是 你把那个 y 对字变量去做回归啊，而你的回归中间并不包括中介变量，那么这个回归系数的口音非选啊，零点八二幺八，他就是这个总的效应了，偷偷一份 啊，我们看到他的配置是零点零零零，因此是非常显著的。然后接下来就会汇报这个自变量对中介变量的作用啊，也就是这里的 model west mediator regrets on iv pass a 啊，这个就是那个中介效应的那个 a 的那一段，也就是从字变量 x 到中介变量 m 的那一段，被称为叫做 pass a， 就是这个 a 这个路径。 那么其实呢，很简单，就是你把这个中介变量 satis 对 support 去做回归啊，那么这个回归的系数呢？是正的零点二二八九啊，那么他的屁直也是 零点零零零，因此也是非常显著啊，那么这个就是中介效应能够成立的，这个其中的链条的一段，就是从 x 到 m 这个中介变量，那么我们发现说他是非常显著的。 接下来就是汇报这个直接效应与间接效应，也就是这里的 model was dependent variable regrets on mediator and independent variable pass bnc prime。 这个就是我前面所展示的那个第三个方程，也就是说你把那个结果变量同时对自变量和中介变量做回归， 那么这里的中介变量 satis 的回归系数呢，是零点八九八四，他的 p 值是零点零零零，非常显著，而这边量是破的回归系数呢是六点六一，他的这个 p 值也是零点零零零啊，都是非常的显著啊。那么最后的一个输出的结果呢，就是所谓的 sobel goodman tess， 也就是我们通常所说的那个 soba test， 你会看到说他这里汇报了三个指标，也就是这个 sobel goodman one， goodman two 啊，那么其实就是对于我在前面所介绍的就是说 手表有提出来一个标准物的计算方法，而哥们有提出了两种标准物的计算方法，那么他们分别依赖于不同的假设， 那么这里你会看到说他们所得到的这个扣一分选的这些扣一分选的其实就是 a 乘 b 啊，那么更准确的说是 a 害乘 b 害，也就是 a 的那个回归系数的估计值乘以 b 的回归系数的估计值， 那么这个是他相应的标准物。然后这个 z 统计量呢，就是把这个口语非选出以这个 standard 所得到的这个 z 统计量，那么最后一列所汇报的就是这个检验统计量相应的 p 值了，那么都是 非常的小，这个是亿的负的十三次发，那么这里他所用的这个临界值呢，其实就是标准正太的那个一点九六。然后后面这里汇报的其实就是给你更详细的啊， a 的扣一分选等于多少？ b 的口语非选等于多少，然后呢，这里的 indie refeit 呢，其实就是 a 乘 b， 也就是说这个零点二二八九乘以零点八九八四，应该就会等于零点二零五六，然后呢也汇报了 de ready fed 和这个 total fed， 然后呢，这里还计算了几个比例啊，比如说 propulsion of totalfield is midait 啊，零点二五零二，那么这个呢，其实就是你把这个 individyfant 除以 totalfield， 也就是说你在总的效应是等于零点八二幺八，那么这里面间接效应，也就是那个中介效 效应占多大比重呢？你就把这个零点二零五六除以零点八二幺八，然后就会得到这样的一个比例，那么就是等于零点二五零二，也就是大概四分之一是通过这个中介效应来起作用的，而剩下的四分之三呢，那么就是属于一个直接的作用。 但是传统的收表检验呢，其实他是缺陷还是比较明显的，因为虽然收表检验的统计量是服从渐进的标准正态分布， 但是在有限的样本中间啊，通过一些这个蒙特卡罗模拟，我们会发现说他其实未必接近于标准正态，那么经常是会有右偏的，而且是非对称的， 主要原因就是说它其实是两个回归系数沉在一起沉积的方式，那么因此呢，如果你使用一点九六来作为零戒指的话，可能会导致误差， 而且呢，就是说个手表也好，或者这个根本所提供的那两个标准物的计算方法，其实呢，这些都是大样本的标准物，也就是说他都有一些假设，然后呢，要嗯比较大时候，他才会是比较准确的。 因此呢，在有限的样本中间，手表 test 里面所提供的那三个标准物可能都会有偏差，未必是靠谱的， 那么解决的方法呢？最初就是说，大家觉得啊，那你如果不能够用一点九六来作为零戒指，我可不可以把这个零戒指给他调的更加的准确一些， 因此呢，在文献中间也出现了其他的临界值啊，那么后来呢，大家就发现说，无论你用什么样的临界值去做检验，其实你是没有办法用一个预设的通用的一个临界值去套用到适用到所有的数据中取啊，因为不同的数 数据他可能收敛的速度是不一样的，而这个每一个检验他所使用的样本容量也不一样。那么解决的方法呢？其实单带有一个非常好的解决方法，就是你可以做自助法啊，也就是通过 boss 出来的方法， 然后呢去针对你的这个数据与样本容量得到他相应的临界值。那么更准确的说，一般来说，我们是用这个自助法去得到一个更加可信的一个自信区间，那么有了自信区间呢，其实你同样可以做假设检验， 那么使用这个 boss 在自助法呢去做统计推断呢，其实这个想法非常简单，也就是进行有放回的再抽样啊，比如说你可以做一千次的 resembling with replacement， 那么也就是说你每次呢都是有放回的抽取一个样本啊，然后得到一个样本容量，跟原原 原始的样本，他的样本容量一模一样的一个自助样本，然后你可以去重复这样的过程，比如说重复一千次，那么你就会得到一千个自助样本，这个所谓的这个不需要商博，那么使用这一千个自助样本呢，你就可以计算一千个 a 害成 b 害这样的样本观测值， 然后有了这样 a 害成 b 害一千个的样本观测值之后呢，那么你就可以把他从小到大排个队，然后你可以找到他的，比如说百分之二点五的分位数 与百分之九十七点五的分位数，那么在百分之二点五的分位数到百分之九十七点五的分位数之间呢，他就是百分之九十五的自信期间，也就是所谓的百分位法。那么当然呢，也可以使用这个残差的自助法，这个所谓的 residue booststrap 啊，那么后面也会谈到啊， 这个，当然这个长插支柱法其实是不那么可靠的。那么在刚才我们使用 sgmda 选这个命令的时候，其实他会有这个存储下来一些结果啊，比如说我们可以看一下这个，你用这个 display 啊，括号 int 啊，下滑线 if， 其实这个就是 individe， 也就是间接效应，换句话说就是那个中介效应，那么他就会给你汇报这个结果，就是零点二零五六，那么这个就是 individe， 也就是 a 害成 b 害了。 然后呢，如果你想要知道那个 divide 的话，你可以用这个 display r， 括号 d i r 下滑线 e e f f， 然后就会给你汇报这个直接效应呢，就是啊，零点六一，六一。 那么有了这个之后，我们就可以来设计一个做自助抽样的一个命令啊，我们首先设一个 随机数的种子， sixty one 啊，这个 one 呢，你是随便可以设的啊，比如说你设成一二三一二三四五六随便设都可以，目的呢就是说因为涉及到随机的自助抽氧，我为了能够可复制我的结果，那么我需要设一个 同样的一个随机素的种子，只要我的随机素的种子是一样的，那么每次我所得到的这个结果呢，也应该是完全一模一样的。 然后呢，我就用 stata 的这个 boost 在这个命令啊，那么后面跟着呢，是我的啊，括号 individify 和啊 dividify， 那么这个两个是我想要做 boost 的统计量啊， 其实在大多数情况下，我们真正感兴趣的可能就只是这个 indirect effect， 那么后面的这个啊，括号 diradify， 其实你可以省略掉。然后呢，这个逗号后面呢，就是一些选择，像像这个 rap 一千啊，那么就是说你去抽取一千个自助样本，然后这个 bca 呢，是让他去计算一下这个 buyers correct and accelerated 自信区间啊，就是所谓的偏差矫正于加速的自信区间， 那么默认的是不去计算这个 bca 的自信区间啊，那么在后面我会去给大家再进一步说明啊，其实这个 bca 的这个自信区间呢，虽然比较费时啊，但在理论上他是最好的最靠谱的一个自信区间。 然后呢，这个冒号后面就是说你到底要怎么样来计算这个统计量？那么我们就是通过 sg mediation 啊， perform 逗号 mv satis 和这个 iv support 啊这个命令来计算前面所列出来的这个 indie ready fea 这两个统计量。换句话说，这个命令其实就是 stay， 非常简洁的来帮我们做这个一千次自助抽样的一个命令啊，也就是说他每次呢就是说先得到一个自助样本，那么然后呢，我对这个自助样本， 我去用这个 sg mediation perform 这个命令去做这个中介效应的回归分析啊，然后就会得到那个 a hi 跟 b hi， 那么也就是我可以通过这个啊 indivantify 跟 rdivertify 去提取， 那么这样的话，你重复了一千次的自助抽烟，你就会得到一千个这个 indirect frag 跟 diragifi 的样本观测值，然后呢，你就可以用这个去构造相应的自信区间了， 那么这个就是 boss 在说汇报的那个结果啊，当然这个直接汇报的这个结果呢，其实并不是特别可靠，因为他是一个 normal based， 也就是说他其实呢是这样，就是说我用这个 a 和 b 害的一千个观测值，我可以去算他一个样本的标准差，然后呢有了这个样本标准差之后呢，我如果假设 a 害跟 b 害是一个服从正态分布的话，那么我就可以基于这个正态分布， 我就可以得到一个他的自信区间了，也就是说你只要把这个一点九六乘以他的标准物不 stress standard arrow， 然后就可以得到这个自信区间的半径了。 但是我们前面说过，我们之所以要用这个自助法来构造自信区间的，其实就是因为我们不太相信这个统计量在有限的样本下是服从正态分布的啊，所以这个其实是 并不可靠的，只不过这个计算比较方便，所以 stay 他马上就会作为一个默认的一个汇报的结果。因此呢，我们其实还需要再追加一个命令，就是这里的 instead booststrate 啊，然后一个逗号选择箱， 哦，那么这个就是说所谓的这个 post s tvation command 啊，就是这个以这个 east 带来打头，那么这个哦呢，就是说让他汇报所有的不同方法所构造的自信区间。 那么这里面会包括什么呢？一个是 n 啊， n 就表示 normalbase， 也就是我们刚才已经见过的。还有一个是 p 呢，就要表示这个 posenta， 就是我刚才所说的， 你把 a 害成 b 害的样本关这值从小到大排列，然后去找到他百分之二点五的百分位数与百分之九十七点五的百分位数啊，由此来构造一个自信区间啊。 但是用普山塔的方法，它其实会有 buyers， 然后这个 bc 呢，就会给你做一个 buyers correction， 也就是说把你的这个偏差给较正了。为什么会有 buyers 呢？就是说因为你的这个自助法，其实是把这个样本看成是一个总体，然后不断的 从这个里面去做自助抽样，比如说得到一千个自助样本，但是这个样本的毕竟不是总体， 这个样本和总体的区别之一呢，就是说如果这个总体他在两侧尾部有很长的尾巴的话，那么因为他这个在尾部抽到的概率非常小，所以呢，这个作为样本来说，他通常你就看不到这样的尾巴了， 因此呢，你用这个样本把它看成是一个总体，不断的从中间做这个自助的再抽样的话，那么其实你得到的那个分布呢，就没法去再现这个总体中间那个两侧的很长的尾巴了，所以呢它会有一定的巴尔斯啊，那么统计学家就发明的这个方法，能够把这个巴尔斯做一些矫正， 而这里的 bca 呢，就是把这个 bias correctly， 然后又加上的 accelerator， 其实他就是把这个 bias correction 这个偏差矫正的方法做的更加的精细了，同时呢又具有这种加速的这个作用。所谓加速呢，就是说 看他这个收敛的这个速度，就是说你把这个八 s 给他趋向于零的速度到底是有多快啊？那么这个如果你是用的这个这个一般的这种 postato 百分位法的话，那么他的这个八 s 消失的这个速度呢，是根号 n 分之一，也就是通常的这个 loot and convergent。 那么这个根据这个 fron 和这个 tpeiran 里，在一九九三年他们写的一本书里面啊，就是 introduction to booster， 他们是推荐使用这个 bca 的方法， 最大的好处呢，就是说他的这个偏差收敛到零的速度呢，可以加速啊，那么他可以提高到 n 分之一啊，那么 n 分之一衰减到零的速度显然比根号 n 分 之一衰减到零的速度是大大的提高了，他是他的一个平方倍的速度。那么这个 f 让大家知道他是这个 booster 的发明者， stanford 统计系的教授啊，然后 tippy ready 呢，是他的学生，也是拉手的发明者啊，所以他们写的这个书呢，应该是非常权威的啊，所以在这个书里面 他们就推荐了这个 bca 的方法，作为这个最为靠谱的啊，但后面我们其实会看到，在有些情况下，这个八 s correctly anna serverit， 其实他和这个八 s correct 他俩是一样的，也就是说其实你可能没有必要去做这种更加精细的这个调整，或者是更加精细的调整的那个结果，和你一般的这个 boss corrected 的这个结果还是一样的。那么这边呢，就是我们所得到的最终的结果啊，你会看到说我们关心的当然就是这个 bs one 了，也就是这里的 这个，因为 bs one 它是对应的是这个 indirect fed 的这个统计量。然后呢，我们会看到说，因为我刚才使用的这个 east stat blushtad， 哦，这个选择像啊，所以他汇报的这个自信区间呢，就有这四个啊，有 n， 有 p， 有 bc， 有 bca， 那么这里也告诉我们他们的 k 啊，就是解释啊， n 就是表示 norm， 也就是说基于正态分布的说得到了自信区间啊，那么我们前面说过这个是不靠谱的， 然后这个屁呢，就是比较直接的啊，就是从小到大排序，然后去找一下百分之二点五和百分之九十七点五的分位数，这个所谓的 postantial 百分位数法啊，那么这个呢，是会有偏差的 啊，所以呢，这个统计学家就发明了后面这两种啊，那么 bc 呢，就是八 s correct， 而这个 bca 呢，就是把这个八 s correct， 然后又加了一个 accelerating， 其实它是一个更加精准的来做这个八 s crash 选的方法。那么我们看到这里呢，其实这个两个这个 bc 和 bca 得到了结果是一模一样的啊，也就是在这个数据的案例中间踏两其实并没有区别。 而且呢，我们还看到说，无论你用 n 或者用 p， 就是说基于这个 normal distribution 这样的一个自信区间，或者是用百分位法不生产所得到自信区间，跟你用这个 bias correctly 或者这个 boss correctly and assert ready 这些方法，因为这两个都是一样的，其实这这四种方法得到了结果是差不多的。 为什么会这样呢？因为我们这注意到就是说我们的样本容量其实很大，就是有一千五百个观测值，那么这么大的一个样本容量，那么因此呢，其实无论你怎么做得到的结果都是差不多的啊， 因为样本容量有一千五百个这么多啊，所以呢，无论你用哪种方法，其实他都会收敛到正态分布的那样的一个渐进分布，所以呢，对于这样的大样本，其实你用什么样的检验的方法其实差别并不大。 那么关于中介效应的 stay 打操作的上部分，我今天就先介绍到这啊，那么在下一期呢，我还会继续介绍中介效应的 stay 打操作的下啊，那么主要会涉及到残插自助法 以及啊，有一些人建议说用结构方程来做中介效应的估计，那么我也给大家来做一个介绍。好的，谢谢大家，再见。
05:16查看AI文稿AI文稿amos 操作步骤讲解系列中介效应检验，中介效应的检验，不管在什么软件上的检验步骤不会变，首先检验自变量到应变量的影响，然后自变量到中介变量的影响，最后检验自变量焊中介变量对应变量的影响。 在 excel 表格中对数据进行预处理后，导入 spss 中并保存好数据后打开 imas 软件进行路径关系的检验。 调整界面，打开界面后点击 view interface properties 界面选择在画布选项中选择横向最大前变量的构建，点击椭圆， 在右侧白色画布中画出对应的前变量个数。显变量的构建，选中显变量，添加图标后在前变量上添加对应题像数的显变量框。 变量整体调整，选中旋转图标，点击前变量框旋转到合适的位置， 变量整体移动，同时选中保持整体和移动图标，然后将所有的变量移动到对应的位置。 导入数据，点击。导入数据后点击 file name， 找到对应数据保存位置，并选择对应的数据后点击 ok。 显变量放入显变量框中，点击数据展示，将对应的题像拖入 显变量框中。变量名称修改，点击变量设置，在名称框中填入变量名。路径关系构建，选中单箭头从自变量框指向应变量框 残差项的添加箭头指向的变量均需要添加残差项， 添加未命名的变量长指残叉点击点击 poppins name and observed variables 添加未命名的变量名称 选项勾选，点击选项设置后勾选标准化系数模型，修正差异零界比值效应值 have boots prep 下的抽样次数上下线 结果运行，点击运行，跳出提示后选择继续分析模型保存，点击运行后选择保存的地点，按保存名点击保存。 运行完成，在运行过程中未出现报错情况，即图中红色箭头变红，按红色方框中显示结果，表明结果运行完成。 结果查看，点击结果查看模型是配度结果，点击 model fit 就可以看到 模型的适配度指标，一般主要看 c m， d f， 即 baseline comparisons 中的指标，重要的 resear 指标， 路径关系，路径关系显着性及标准化的路径系数效应值。打开 estimates 下的 mattresses 里的对应效应，查看中介效应的结果。 路径关系命名伤及路径关系箭头后，点击 prematers， 在 regression weight 中填入对应的字母，命名该条路径。 语法编辑，打开右键，点击对话框的左下角出现一下对话框后点击 define new estimate 语法编辑，在对话框中编辑好直接效应，中介效应，总效应，对应的值。点击保存语法语法保存 语法保存到模型同样的位置，编辑语法的结果，根据前面结构方程模型的运行步骤，点击运行后在结果 estimates 中的 status 下的 user defined estimates 查看。这样的方式结果更容易查看 模型图，将标准的因子在荷系数含标准化的路径关系系数添加到模型图中，首先选中标准化，然后点击上方红色箭头后复制模型图 结果整理，将结果复制粘贴到 excel 表格中。首先整理的是模型适配，读 seeming， d， f， risa 等指标，整理路径关系系数级选择性情况及个效应值。最后 可以展示模型图后将结果复制粘贴 word 文档中，进行三线表的制作。汉文字解释 学会了吗？记得一键三连呦，可以代作指导！
485艾吖法数据
