中介作用分析

《中介作用分析》指出，中间变量的中介作用在理解个体和社会方面具有重要作用，并运用线性回归、有向非循环图和结构方程模型三种方法来考察因果关系。本书通过介绍中介作用的概念、基本方法，然后列举了中介作用中的各种模型分析方法来阐释这个问题，并在*后提出了更进一步的议题，是读者学习中介作用的上佳读物。 

中介作用分析是用来考察某项数据是否具有中介结构的一套统计方法。《中介作用分析》介绍了三种基本方法来分析中介作用，即线性回归、有向非循环图和结构方程模型，从而帮助研究者处理出现多重测量时的中介作用、中介性的调节作用、调节性的中介作用以及中介作用这一主题下的其他议题。

道恩•亚科布齐（Dawn
Iacobucci），美国范德比尔特大学管理学系欧文研究生院市场营销学教授。她的研究集中在网络、顾客满意度和统计方法上，并在各种市场营销学和心理学期刊上发表过多篇论文，还是《市场营销管理》（Marketing
Management）一书的作者，并且与吉尔伯特•丘吉尔（Gilbert
Churchill）一起合著了引领性的读物《市场学研究》（Marketing Research）。

序

第1章  中介作用简介

    第1节  中介作用是什么以及它为什么重要？

    第2节  因果关系

第2章  中介作用分析的基本方法

    第1节  经典的中介作用检验

    第2节  另一种方法：有向非循环图

    第3节  另一个更好的方法：结构方程模型

第3章  用结构方程模型来分析中介作用：测量模型

    第1节  多重测量情况下的中介作用

    第2节  中介作用与结构方程模型的测量模型

    第3节  实例阐释

    第4节  拟合测量模型

第4章  用结构方程模型来分析中介作用：结构模型

    第1节  概念回顾

    第2节  举例说明

    第3节  抑制作用

    第4节  四概念建构模型的LISREL语句

    第5节  较长的中介作用链与替代性中介路径的LISREL语句

    第6节  间接效应的显著性

    第7节  其他议题

第5章  高级议题

    第1节  中介性的调节作用

    第2节  调节性的中介作用

    第3节  定类变量

    第4节  纵向数据

第6章  结论

附录

注释

参考文献

译名对照表

社会科学数据分析者长期以来一直认为，中间变量的中介作用在理解个体的社会地位、行为模式及其它结果时处于首当其冲的重要地位。例如，在流行病学和健康研究中，探讨社会经济地位(SES)——经常用个体的教育获得来表示——对健康结果（不管是客观测量还是主观评估）的作用非常具有代表性。类似地，社会人口学几十年的研究也已经表明，检验教育或其它SES变量对生育行为的中介效应是十分重要的。如果我们用X表示一个背景变量或决定因素，Y表示一个结果变量，M表示一个中间或中介变量，那么，对这三个变量的研究可以概括为两种类型的作用：
和 。也就是说，背景变量对结果变量的影响既存在一个直接作用，也存在一个间接作用，而后者正是通过中介变量实现的。
确实，以这种方式来思考因果关系的例子几乎可见之于每一项应用统计方法的社会科学研究，这也似乎解释了为何前任主编迈克尔•刘易斯－贝克(Michael
Lewis-Beck)初要鼓励道恩•亚科布齐(Dawn
Iacobucci)来写这样一本有价值的介绍性书籍。她的这本书与此丛书已有的许多卷册相得益彰，包括第34册由朗(Long)所著的《协方差结构模型》(Covariance
Structure Models)，第37册由贝瑞(Berry)所著的《非递归因果模型》(Nonrecursive Causal
Models)，第55册由戴维斯(Davis)所著的《因果顺序的逻辑》(The Logic of Causal
Order)，以及在某种方式上与回归分析有关的那些卷册。
正如亚科布齐在第2章中所描述的那样，有三种基本方法来分析中介作用。经典的中介作用检验创始于1980年代，依赖的是经典的线性回归。有向非循环图方法是用路径和顶点来图形化地表示因果关系，并以此来实现模型化。后，大家所知道的结构方程模型(SEM)方法为因果分析中的中介作用建模提供了的灵活性。这就是亚科布齐在本书中所采用的写作方式，这样一种方式使研究者可以处理出现多重测量时的中介作用、中介性的调节作用、调节性的中介作用，以及中介作用这一主题下的其它议题。可以执行SEM的软件的广泛可得性为读者提供了必要的工具来进行中介作用建模，以获得关于因果关系的正确理解。

共变性的准则是指，如果X是Y的原因，则X与Y必然相关。众所周知，社会科学家的研究对象——人类的行为方式，十分微妙和复杂，因此，即使满足这个要求也会是有困难的。
这牵涉到几个问题。首先，可能存在多种原因，也即是说，X可能只是Y的几个原因中的一个（例如，家庭收入虽然对汽车消费有影响，但它并不是汽车消费的决定因素）。在十分复杂的情况下，X与Y之间的相关性可能会很低，因为还有其它因素可以解释Y。
第二，即使关于X与Y之间关系的理论假设在研究总体(population)中确实成立，众所周知，抽样以及用特定的测量方法或变量来对X和Y进行操作化时也都会不可避免地造成随机误差。由于误差的存在，在经验数据中所观察到的表示X和Y的变量之间的关系会被减弱或冲淡。
第三，如果两个变量之间的相关性出于上述原因或其它任何原因被削弱，由于中介作用分析所关心的间接作用是两个概率函数——分别涉及
与
——的联合作用结果，那么在经验数据中发现可以用来支持间接作用路径的结果的可能性就会变小，相应地，失败的可能性就会增大。也就是说，如果全部三个作用路径在估计时都存在误差，那么的那个直接作用路径会显得更为突出，因为间接作用路径涉及到的两对关系所存在的双重误差对结果更具扰乱性。