【bootstrapping中介效应检验】在统计学中，中介效应分析用于研究一个变量如何通过另一个变量间接影响结果变量。传统的中介效应检验方法（如Sobel检验）依赖于正态分布假设，但在实际数据中，这种假设往往不成立。因此，近年来，bootstrapping 方法被广泛应用于中介效应的检验中，因其对数据分布无严格要求且具有更高的统计效力。
一、Bootstrapping中介效应检验简介
Bootstrapping 是一种基于重抽样的非参数统计方法，通过从原始样本中多次有放回地抽取样本，生成大量重复样本，并计算每个样本中的中介效应值，从而构建中介效应的置信区间。若该置信区间不包含0，则认为中介效应显著。
与传统方法相比，Bootstrapping 具有以下优势：
- 不依赖正态分布假设；
- 更适合小样本或非正态数据；
- 提供更准确的置信区间估计；
- 可以处理复杂模型结构。
二、Bootstrapping中介效应检验步骤
以下是进行Bootstrapping中介效应检验的基本步骤：
| 步骤 | 内容说明 |
| 1 | 建立理论模型，明确自变量（X）、中介变量（M）和因变量（Y）之间的关系。 |
| 2 | 进行回归分析，分别估计X对M的影响（路径a），以及M对Y的影响（路径b）。 |
| 3 | 构建中介效应模型，计算直接效应（c'）和间接效应（a×b）。 |
| 4 | 使用Bootstrapping方法，从原始数据中重复抽样（通常500~5000次），计算每次抽样中的中介效应值。 |
| 5 | 根据Bootstrap样本计算中介效应的置信区间（如95%置信区间）。 |
| 6 | 判断置信区间是否包含0，若不包含，则中介效应显著。 |
三、Bootstrapping中介效应检验的优缺点对比
| 优点 | 缺点 |
| 不依赖正态分布假设 | 计算量较大，需要较多计算资源 |
| 更适用于小样本或非正态数据 | 需要合理选择抽样次数 |
| 置信区间更准确 | 对模型设定敏感，需确保模型正确 |
| 可用于复杂中介模型 | 结果解释相对复杂，需结合理论背景 |
四、应用建议
在使用Bootstrapping进行中介效应检验时，应注意以下几点：
- 样本量：一般建议样本量不少于100，以保证结果稳定性；
- 抽样次数：通常推荐至少500次抽样，可提高结果的可靠性；
- 软件支持：SPSS、Mplus、R语言（如`mediation`包）等均支持Bootstrapping中介效应分析；
- 结果解读：应结合置信区间和p值综合判断，避免单一指标误判。
五、总结
Bootstrapping中介效应检验是一种灵活、稳健的方法，尤其适用于现实数据中存在非正态分布或小样本的情况。通过重抽样技术，它能够提供更可靠的中介效应估计，帮助研究者更准确地理解变量间的间接影响机制。尽管其计算复杂度较高，但随着统计软件的发展，这一方法已逐渐成为中介效应分析的标准工具之一。
表格总结：
| 项目 | 内容 |
| 检验方法 | Bootstrapping中介效应检验 |
| 基本原理 | 通过重抽样构建中介效应的置信区间 |
| 适用条件 | 小样本、非正态数据、复杂模型结构 |
| 优点 | 不依赖正态分布、置信区间更准确、适用于多种模型 |
| 缺点 | 计算量大、对模型设定敏感、结果解释较复杂 |
| 推荐样本量 | ≥100 |
| 抽样次数 | 通常500~5000次 |
| 常用软件 | SPSS、Mplus、R（`mediation`包） |
| 结果判断 | 置信区间不包含0则中介效应显著 |
