4.2自变量为多类别分类变量的中介效应检验方法
在实验研究中，研究者往往根据实验目的设计不同的组别，或是设计多个对照组以排除其他的理论解释（如Tongetal.2013），或是设计不同的刺激水平以探讨不同刺激水平对因变量的影响（如Mehta,Zhu&Cheema2012）。此时，由于自变量是多类别分类变量（Multiple-CategoryIndependentVariable），因此不能将其作为连续变量进行检验分析。4.2.1自变量为多类别分类变量时，以往普遍采用的中介检验方法
对于自变量为多类别分类变量的情况，以往学者较多地采用如下方法：其一，按照Baron&Kenny（1986）通过单因素方差分析进行因果逐步回归（如Pandelaereetal.2010,Wirtz&McColl-Kennedy,2009）；其二，运用Bootstrap检验的方法或因果逐步回归的方法分别进行两组间比较的回归中介分析(如Mehtaetal.2012,Pedersenetal.2011)；其三，若两个控制组对因变量影响无显著差异，将控制组合并，进而运用Bootstrap检验的方法或因果逐步回归的方法进行检验(如Calogero&Jost2010,Janssenetal.2010)；其四，将对实验操纵的操纵检验变量作为自变量，运用Bootstrap检验的方法或因果逐步回归法进行检验(如Forgas2011)。
但是，这四种方法都存在不足之处：方法一运用逐步回归不能可靠的检验中介路径的存在，且无法具体地分析组别间比较的中介路径；方法二则在进行两组对比时忽略了其他组别的数据；方法三和方法四对数据的处理缺乏科学性9。
4.2.2自变量为多类别分类变量情况下的Bootstrap中介效应检验方法
Hayes&Preacher(2012)提出了对自变量为多类别分类变量情况下中介效应检验的Bootstrap方法。首先，Hayes&Preacher(2012)使用“相对中介效应”（RelativeIndirectEffect）的概念用以分析和阐述自变量为多类别分类情况下的中介效应检验。具体而言，在进行中介效应分析前，研究者需要根据自身的研究目的在多个组别中选择一个组别作为参照组，即其他所有的组别都与该组别进行对照，而相对中介效应即为其他组相对于该参照组的中介路径的作用。例如Legateetal.(2013)关于排斥他人对自我情绪的负面影响的研究中，认为排斥他人会阻碍自我的心理需求，特别是自主性需求和他人关联需求，进而会导致负面情绪。在其实验一中，有三个组别：遵从实验要求排斥他人组，遵从实验要求接纳他人组，无实验要求组。研究者的目的是希望检验无论遵从实验要求排斥他人还是遵从实验要求接纳他人都会阻碍自主性需求，进而导致负面情绪，因此应当选择无实验要求组为参照组，然后在同一个模型中分析遵从实验要求排斥他人和遵从实验要求接纳他人（分别以无实验要求组为参照）的中介效应大小。其次，将多组别分类自变量以选定的参照组为对照点进行哑变量编码，在自变量有k个水平的情况下，会得到k-1个哑变量；在该研究中实验组别被编码为两个哑变量。在Hayes&Preacher(2012)编写的MEDIATE插件中，可以自动将自变量编码为哑变量，但需要注意软件默认以第一组为参照组进行哑变量编码。
9
方法三将不同的组别合并，并不合理，因为原本实验设计不同组别代表的含义是不同的；方法四用操纵检验代替实验组别，同样不规范，显然操纵检验和实验组别不是同一个概念。
（1）使用Bootstrap检验自变量为多类别情况下的中介的操作方法
在SPSS中安装了MEDIATE（Hayes&Preacher2012）插件后，具体操作如下：打开SPSS，选择“Analyze”→“Regression”→“MEDIATE”；将自变量、中介变量和因变量10依次选入相应的选项框。设定样本量为5000，即“BootstrapSamples”为5000；对置信区间的置信度，选择95%，即“Confidencelevelforconfidenceintervals”为95%；Bootstrap取样方法选择偏差校正的非参数百分位法，即勾选“BiasCorrected”；在X编码框中选择“Indicator”
11
，即将自变量作为多组别分类变量进行编码；最后确认即可得到结果。（2）数据结果分析和汇报
数据结果信息主要包含两个部分：其一，相对中介效应是否显著的结果。若研究中有两
个哑变量，则会分别给出两个哑变量的中介效应D1和D2，如果相应的置信区间不包含0，则表明中介路径存在。其二，需要注意的是模型3中，控制了中介变量后，哑变量的直接效应是否仍旧显著。此外，研究者还可查看依据Baron&Kenny（1986）的因果逐步回归方法得到的三个模型的数据结果，三个模型中的自变量均为编码后的哑变量。
以Legateetal.(2013)研究中排斥或接受他人对个体负面情绪影响中心理需求的中介效应检验结果为例，数据结果的汇报如下：按照Zhaoetal.（2010）提出的中介分析程序，参照Preacher&Hayes(2012)提出的多类别分类自变量模型进行Bootstrap中介效应检验，将自变量以无实验要求组为参照编码为两个哑变量，样本量选择5000，在95%置信区间下，遵照实验要求排斥他人（vs.无实验要求）对情绪的负面影响受到心理需求的中介影响（LLCI=.25ULCI=.63），该区间不包含0，中介效应大小为0.43；遵照实验要求接纳他人（vs.无实验要求）对情绪的负面影响也受到心理需求的中介影响（LLCI=.01ULCI=.28），该区间没有包含0，中介效应大小为0.13。此外，两个哑变量（遵照实验要求排斥他人vs.无实验要求；遵照实验要求接纳他人vs.无实验要求）对因变量（情绪）的直接影响均不显著（p>0.05），表明心理需求是唯一的中介变量。
4.3有中介的调节和有调节的中介的检验
4.3.1有中介的调节和有调节的中介的定义和区分
有中介的调节（MediatedModeration）和有调节的中介（ModeratedMediation）是实验研究中经常遇到的中介模型，也是非常容易被混淆的概念。Muller,Judd&Yzerbyt（2005）对二者进行了界定，并提出了相应的检验方法。他们认为有调节的中介是指自变量和调节变量对因变量的交互影响受到中介变量的中介作用；而有中介的调节是指自变量通过中介变量最终影响因变量的路径受到调节变量的调节作用。Mulleretal.(2005)给出了例子形象的阐述有中介的调节和有调节的中介。
有中介的调节的例子可以参考Smeesteretal.（2003），他们在研究囚徒困境中人们的合作行为时，首先发现思维概念启动（道德vs.权势）和社会价值导向（自我导向vs.社会导
1011
使用该插件时，中介变量和因变量都必须为连续变量。在X编码框中还包含次序变量编码（Sequential），具体编码意义可查阅Hayes&Preacher(2012).
向）对参与者在囚徒困境中的合作行为有交互影响。具体而言，对于社会导向的个体，道德概念下会比权势概念下有更多选择合作，而非竞争；但对于自我导向的个体，无论道德概念下还是权势概念下都会更多的选择竞争，而非合作。其次，他们认为思维概念启动和社会价值导向对参与者在囚徒困境中的合作行为的交互影响受到参与者对其伙伴行为期望的中介作用。简言之，有中介的调节是先有自变量和调节变量对因变量的交互影响，其次是这种交互影响受到中介变量的中介作用。
有调节的中介的例子可以参考Pettyetal.（1993），他们研究发现正面情绪会提高个体对有悖常理的说服信息的接受程度，这种正向影响受到对说服信息正面想法的中介作用，但是这种中介机制只有对高认知需求的个体才存在，对于低认知需求的个体则不存在。同时，Mulleretal.（2005）认为典型的“有调节的中介”还应当满足自变量和调节变量对因变量不存在交互影响。因此，有调节的中介是先发现了自变量对因变量的影响中存在某中介路径，其次，该中介路径会因为某个调节变量而变化，最后，自变量和调节变量对因变量不能存在交互影响。
但是，Mulleretal.（2005）在文章最后讨论部分（p.860），又指出可以放宽有调节的中介中自变量和调节变量对因变量不存在交互影响的条件。同样，James&Bret（1984）以及Preacher,Rucker&Hayes（2007）都认为有调节的中介并不需要以自变量和调节变量对因变量不存在交互影响为前提。有鉴于此，本文认为有调节的中介是自变量对因变量影响的中介机制会因调节变量而不同。
Mulleretal.(2005)认为对于有调节的中介，若取消交互作用不存在这一前提，则任何有中介的调节都可称为有调节的中介（但有调节的中介并不一定是有中介的调节），并且他们提出的对有调节的中介和有中介的调节的检验方法基本是相同的，而在文章最后他们指出研究者可以依据自己的研究目的界定有调节的中介或有中介的调节，二者并无根本差异。Preacheretal.(2007)在对研究模型中包含调节变量和中介变量的中介效应检验时，不再提及有中介的调节，而仅仅阐明有调节的中介。本文同样认为有调节的中介可以涵盖有中介的调节，并且最后对中介的检验都需要落脚于基于调节变量的不同水平对中介路径进行检验，而这也是对研究假设逻辑的最清晰阐明。因此下文将统一介绍有调节的中介的检验和分析。4.3.2有调节的中介的检验
以往研究较多采用的是Mulleretal.（2005）提出的检验方法，总体思路与Baron&Kenny（1986）提出的简单中介检验方法相似：首先检验自变量和调节变量对因变量的交互影响，其次检验自变量和调节变量对中介变量的交互影响，再次检验加入了中介变量之后，自变量和调节变量对因变量的交互作用是否显著降低，最后，依据调节变量的不同水平分析自变量对因变量影响的中介路径。具体检验过程可参阅Mulleretal.（2005）、张莉等（2011），本文不再赘述。
Preacheretal.(2007)提出了对有调节的中介检验更为便捷的方法，通过Bootstrap方法
直接进行检验。除了Bootstrap方法本身更好的有效性之外，该方法将调节变量不同水平下的中介分析置于同一个模型中，避免了遗漏数据。本文以Berndtetal.（2012）关于心脏病病人戒烟行为研究为例介绍使用Bootstrap方法检验和分析有调节的中介。Berndtetal.（2012）研究认为病人对香烟的渴望会降低其自我效能，进而削弱了戒烟行为，并且这样的影响路径仅对中等程度以下忧虑的人存在，对高度忧虑的人不存在。其中，对香烟的渴望、自我效能、忧虑状态均通过量表测量得到，三者均为连续变量，戒烟行为是通过询问入院后7天是否有过吸烟行为衡量，为二分类变量。
（1）使用Bootstrap检验有调节的中介的操作方法
具体操作如下：打开SPSS，选择“Analyze”→“Regression”→“PROCESS”；将自变量、中介变量、调节变量和因变量依次选入相应的选项框。选择模型812，即“ModelNumber”为8；设定样本量为5000，即“BootstrapSamples”为5000；Bootstrap取样方法选择偏差校正的非参数百分位法，即勾选“BiasCorrected”；对置信区间的置信度，选择95%，即“Confidencelevelforconfidenceintervals”为95%，点击“condition”选项框，选择分组条件为均值和均值加减一个标准差13，最后“OK”确认即可得到结果。
（2）数据结果分析和汇报
数据结果包含三个方面的信息：首先，中介变量（自我效能）在自变量（香烟渴望程度）与调节变量（忧虑状态）对因变量（戒烟行为）的交互影响中是否发挥中介效应，包括中介效应的大小和显著性。其次，调节变量不同水平下是否存在不同的中介效应14，包括低忧虑状态、中等忧虑状态和高忧虑状态下香烟渴望程度对戒烟行为影响时自我效能中介路径分别是否显著及中介效应的大小。同时还有在不同忧虑状态下，香烟渴望程度对戒烟行为的直接作用是否显著及直接作用的大小。最后，数据结果还给出了自变量、调节变量和二者交互项对中介变量的回归模型，以及包含自变量、调节变量、二者交互项和中介变量对因变量的回归模型。
数据结果汇报如下：按照Zhaoetal.（2010）提出的中介分析程序，参照Preacheretal.（2007）和Hayes（2013）提出的有调节的中介分析模型（模型8）进行Bootstrap中介变量检验，样本量选择5000，在95%置信区间下，中介变量自我效能的确中介了香烟渴望程度和忧虑状态对戒烟行为的交互影响15。进一步按照均值、均值加减一个标准差，区分了低、中、高三种忧虑程度，分析了在不同忧虑程度状态下香烟渴望程度对戒烟行为影响中自我效能的中介效应，数据结果表明对于低度忧虑和中等忧虑的病人，自我效能的中介效应显著，
12
有调节的中介分为多种类型，如调节自变量对中介，或者调节中介到因变量等，需根据研究者具体的理论框架选择模型。研究者可查阅
http://www.afhayes.com/introduction-to-mediation-moderation-and-conditional-process-analysis.html，下载templates.pdf文件，该文件包含PROCESS插件可处理的74种研究模型，如有调节的中介，多个中介等。13
该设置是将连续型调节变量分为三个水平，即在调节变量的不同水平下观测自变量对因变量影响中的中介作用。14
Preacheretal.(2007)将调节变量不同水平下的中介作用称为条件中介作用（conditionalindirecteffect）。15
Berndtetal.(2012)并未在文中汇报该部分数据结果，但是本文认为应当汇报这一结果，给出置信区间，说明不包含0，并列出中介作用的大小。
Bootstrap检验的置信区间分别为（-.69,-.04）和（-.41,-.03），均不包含0；而对于高度忧虑的病人，自我效能并不发挥中介作用（-.31,.03），该区间包含016。
4.4多个并列的中介变量
在研究中也会遇到中介路径多于一条的情况，即多个并列的中介（MultipleMediators）。例如，Fitzsimons&Shah(2008)发现心里想到对自己学习有帮助的朋友会提高自己最终的学习成绩，其中“为学习付出的总时间”和“付出时间与计划时间的比率”二者均发挥中介作用。Stillmanetal.(2009)认为社会排斥感会降低个体对生命意义的感知，而其中生活目标感知、自我效能、正确的价值观和自我价值感知同时发挥中介作用。4.4.1多个并列中介变量的检验
中介检验的研究中，较少研究探讨过存在多个并列中介路径的情况，其中结构方程是较多被采用的检验方法(Cheung2007,MacKinnon2000)。Preacher&Hayes(2008)提出了使用Bootstrap方法进行有多个并列的中介变量情况下的中介效应检验。该方法有三个方面的优点：其一，可以检验分析所有的并列中介变量共同发挥的中介作用的大小；其二，可以观测在剔除了其他中介路径的作用之后，单个的中介路径的作用大小；其三，可以对比不同中介路径的作用大小是否存在显著差异。在研究中，该检验方法不仅可用于对假设的多个中介路径的检验，还可以用于排除其他理论机制解释的检验。下文以Stillmanetal.(2009)的研究为例，阐述多个并列的中介变量的检验和数据结果分析、汇报。4.4.2使用Bootstrap检验多个并列中介变量的操作方法
具体操作如下：打开SPSS，选择“Analyze”→“Regression”→“PROCESS”；将自变量、中介变量和因变量依次选入相应的选项框。选择模型4，即“ModelNumber”为4；设定样本量为5000，即“BootstrapSamples”为5000；对置信区间的置信度，选择95%，即“Confidencelevelforconfidenceintervals”为95%；Bootstrap取样方法选择偏差校正的非参数百分位法，即勾选“BiasCorrected”；点击“Option”选项框，勾选比较间接作用选项，即“Compareindirecteffects”，最后“OK”确认即可得到结果。4.4.3数据结果分析和汇报
数据结果中需要着重关注四个方面的信息：其一，四个中介变量（生活目标感知、自我效能、正确的价值观、自我价值感知）共同发挥的中介作用大小和显著性（TotalIndirectEffect）；其二，在分别剔除其余三个中介变量作用后，四个中介变量各自独立的中介作用大小及显著性；其三，四个中介变量各自独立的中介作用大小的相互比较，此处共6组比较；其四，剔除掉四个变量共同的中介作用之后，自变量（社会排斥）对因变量（生命意义感知）的直接作用。
数据结果汇报如下：按照Zhaoetal.（2010）提出的中介分析程序，参照Preacher&Hayes（2008）提出的多个并列的中介变量检验方法，进行Bootstrap中介变量检验，样本量选择
16
此外，建议研究者另外汇报出不同调节变量水平下，自变量对因变量直接影响作用的大小，以更深入的分析中介路径；同时还可列表给出在调节变量不同水平下的中介作用大小、直接作用大小，置信区间。