Amos实战：如何用Bootstrap法精准检验中介效应（附完整操作截图）

Amos实战：Bootstrap法检验中介效应的完整指南与案例解析

1. 中介效应检验的核心逻辑与Bootstrap优势

在社会科学研究中，我们常常需要验证某个变量是否在自变量与因变量之间起桥梁作用。这种"X→M→Y"的传导机制就是中介效应的本质。传统的中介检验方法如因果逐步法存在统计功效低、假设条件严格等问题，而Bootstrap抽样法已成为当前最受推崇的解决方案。

为什么Bootstrap更适合中介检验？

• 不依赖正态分布假设：中介效应量通常是路径系数的乘积（a×b），这种乘积项天然偏离正态分布
• 更高统计功效：尤其在小样本情况下（n<500）优势明显
• 提供置信区间：直接观察效应量的波动范围，比单纯p值更有信息量
• 实现简单：Amos等软件已内置该功能，无需复杂编程

关键判定标准：当Bootstrap抽样得到的95%置信区间不包含0时，认为中介效应显著。这与传统p<0.05的思维不同，更注重效应量的实际分布。

2. 案例背景与数据准备

我们以经典的"服务品质→顾客满意度→忠诚度"链式关系为例，演示完整分析流程。该模型假设：

• 服务品质（X）：餐厅环境、员工态度、响应速度等测量指标
• 顾客满意度（M）：整体体验评分、与期望对比等维度
• 忠诚度（Y）：重复消费意愿、推荐可能性等题项

数据要求检查清单：

• 样本量建议：至少200以上（Bootstrap对小样本相对友好，但大样本更可靠）
• 变量类型：连续变量或至少5点Likert量表
• 缺失值处理：Amos默认使用列表删除法，建议预处理时用均值填补或多重插补
• 异常值检测：通过马氏距离或箱线图识别极端