教程 ·
process中介效应怎么做？对话跑完 Bootstrap 间接效应（含演示）
process中介效应怎么做？完整演示一次中介效应检验全流程：Bootstrap间接效应、路径回归系数与可直接引用的两张表，演示数据 N=300。
process中介效应可以不装 SPSS 的 PROCESS 插件完成：把问卷数据传上去，说清楚要检验的中介路径，就能拿到 Bootstrap 间接效应、路径系数和可直接引用的两张表。下面是一次完整演示。
这一页解决什么
论文里要做中介效应检验，第一反应通常是要先去装 SPSS 的 PROCESS 插件，学怎么设置 Model 4、填 Bootstrap 重抽样次数——光是找教程、装插件、对模型编号，就够让人头疼，一个模型换个自变量往往还要重新跑好几遍。
这篇文章完整走一遍中介效应检验的操作流程：数据怎么传、指令怎么说、结果表怎么读。用的是一份模拟问卷数据（演示数据，非真实用户数据，N=300，感知有用性 PU、使用态度 ATT、使用意愿 BI 三个维度的均值分数），检验的问题是"感知有用性（PU）是否通过使用态度（ATT）对使用意愿（BI）起中介作用"。
需要说明的是，能做这件事的不只是 SPSS 的 PROCESS 插件：Amos 走的是结构方程（SEM）路径，Stata 的 medsem、R 的 mediation 包同样能算出中介效应。这篇演示用的是回归 + Bootstrap 的做法（和 PROCESS 宏思路一致），不代表其他工具做不到，区别只在于操作方式和输出字段。
怎么跑：不装 PROCESS 插件也能出结果
在 ChatSRS 里把数据传上去，打字说清楚"检验 PU 是否通过 ATT 对 BI 起中介作用"，AI 自动识别自变量 X、中介变量 M、结果变量 Y，不用手动装 PROCESS 插件，也不用记 Model 该填几号。
产品界面全景：顶栏的定位语是"SPSS、R、Stata 能做的，对话就能完成"，右侧十几种可选方法里就有"中介/调节"，底部对话框留空可以直接打字提需求。
用户指令原样保留：说清楚"检验 PU 是否通过 ATT 对 BI 起中介作用"，AI 紧接着返回"处理完成"，中间不需要记命令、不需要点菜单。
跑的方法是 Bootstrap（5000 次重抽样，百分位法置信区间，和 PROCESS 宏思路一致），把路径 a（PU→ATT）、路径 b（ATT→BI）、总效应、直接效应、间接效应连同置信区间一次性给出来，不用再手动一步步跑回归、算 Sobel 检验。
结果怎么读：效应分解与路径系数
先看效应分解表：感知有用性对使用意愿的总效应是 0.476；拆开之后，经使用态度中转的间接效应是 0.141（Boot SE=0.032，95% Bootstrap CI=[0.083, 0.206]），不经中转的直接效应是 0.334；p 值全部小于 0.001。
| 效应类型 | 路径 | 效应值 | Boot SE | 95% Bootstrap CI | p | 效应占比 |
|---|---|---|---|---|---|---|
| 总效应 | 感知有用性 → 使用意愿（c） | 0.476 | — | — | <0.001 | 100.0% |
| 间接效应 | 感知有用性 → 使用态度 → 使用意愿（a×b） | 0.141 | 0.032 | [0.083, 0.206] | <0.001 | 29.6% |
| 直接效应 | 感知有用性 → 使用意愿（c'） | 0.334 | — | — | <0.001 | 70.4% |
数据来源：ChatSRS 中介效应分析结果截图，演示数据 N=300，Bootstrap 重抽样 5000 次，采用百分位法构建 95% 置信区间。效应占比（29.6% / 70.4%）由产品结果表直接给出（表注标明"效应占比=相应效应/总效应×100%"），本文未对该比例做任何计算或换算。
再看路径回归结果：感知有用性显著正向预测使用态度（B=0.518，SE=0.054，t=9.671，β=0.489，p<0.001，R²=0.239）；同时纳入感知有用性后，使用态度仍显著正向预测使用意愿（B=0.273，SE=0.056，t=4.862，β=0.277，p<0.001）。
| 路径 | B | SE | t | β | p | R² |
|---|---|---|---|---|---|---|
| 感知有用性 → 使用态度（a） | 0.518 | 0.054 | 9.671 | 0.489 | <0.001 | 0.239 |
| 使用态度 → 使用意愿（b） | 0.273 | 0.056 | 4.862 | 0.277 | <0.001 | — |
| 感知有用性 → 使用意愿（c） | 0.476 | 0.054 | 8.841 | 0.456 | <0.001 | 0.208 |
| 感知有用性 → 使用意愿（c'） | 0.334 | 0.059 | 5.625 | 0.320 | <0.001 | 0.266 |
数据来源：同一张 ChatSRS 中介路径回归结果截图。表注说明"使用态度对使用意愿的预测效应及直接效应来自同时纳入感知有用性和使用态度的完整模型"，各路径的 B、SE、t、β、p、R² 均为产品实测原始输出，本文未做任何换算。
AI 解读文字的结论是：间接效应 95% Bootstrap CI 为 [0.083, 0.206]，不包含 0，说明中介效应显著；间接效应占总效应的 29.6%，直接效应占 70.4%，因此使用态度在感知有用性与使用意愿之间发挥部分中介作用——这个结论是产品原样给出的，本文没有重新推导。至于"部分中介"和"完全中介"具体怎么判断、这套标签在 APA 报告里该不该用，本文先不展开，留到文末预告。
![ChatSRS 返回的中介效应分解表与中介路径回归结果表，连同两段 AI 解读文字截图，顶部保留 AI 角色图标与处理完成提示，间接效应 0.141 与 95% Bootstrap CI [0.083, 0.206] 用荧光笔高亮](/blog-images/ai-mediation-analysis-walkthrough/03-mediation-table-and-interpretation.png)
中介效应分解表与路径回归结果表连同 AI 解读文字：间接效应 0.141、95% CI [0.083, 0.206] 用荧光笔高亮标出，两段解读文字把路径显著性和"部分中介"的结论都写清楚了。
Bootstrap 检验：置信区间不含 0 是什么意思
间接效应（路径 a × 路径 b）不像总效应、直接效应那样能直接算出标准误，通常的做法是用 Bootstrap：对原始样本反复重抽样很多次，每次都算一遍间接效应，这样就能得到间接效应自己的分布，再从这个分布里截出一个 95% 的可信范围。这个范围只要完全不包含 0，就说明"绕路"这条间接路径是真实存在的，间接效应显著；这次演示数据的范围是 [0.083, 0.206]，确实不含 0。这篇用的是百分位法（percentile CI），重抽样次数是 5000 次；百分位法和偏差校正法（BC CI）的具体区别、以及 APA 报告里该怎么写重抽样次数，可以参考 Bootstrap 中介效应 CI 怎么做。
边界提醒一句："不用装 PROCESS"说的是操作这一步不需要额外装插件，不是说中介检验没有方法前提——变量之间谁先影响谁（PU 先影响 ATT，还是反过来）仍然要靠研究设计支撑，不是软件跑出来就自动成立；AI 给出的路径系数也需要结合理论自查，不能拿到显著的 p 值就直接下因果结论。
什么情况下不适用
- 中介和调节是两回事。中介讲的是"通过什么路径起作用"，调节讲的是"在什么条件下作用会变强或变弱"——如果这次研究实际要检验的是调节效应，用中介的思路去设定模型会直接搞错方向，可以参考中介与调节的区别。
- 这篇演示的是单一中介模型（一个 X、一个 M、一个 Y）。如果研究设计里不止一个中介变量，且这些中介变量之间还有先后传递关系，就已经超出这里演示的模型范围，路径怎么设定需要另外确认，本文不展开。
- 变量之间的因果顺序不是靠这套流程验证出来的，前面已经提醒过，这里再强调一次：研究设计本身要能支撑"PU 先于 ATT、ATT 先于 BI"这个顺序，横断面问卷数据尤其要谨慎，不能因为路径系数显著就直接写成"证实了因果关系"。
- 工具只负责算数字，不负责替你做研究判断。不管是 ChatSRS、SPSS 的 PROCESS 插件、Amos 还是 Stata、R，算出来的都只是路径系数和置信区间；这个中介模型是否适合你的研究设计、结论能不能这样下，始终是研究者自己的责任。
常见问题
AMOS 能不能做中介效应分析？
能。AMOS 走的是结构方程建模（SEM）路径，和这里演示的回归 + Bootstrap 路径（思路上和 PROCESS 宏一致）是两种不同的实现方式，检验逻辑相通，但输出的字段和报告格式不完全一样。如果研究设计本来就要求用 AMOS 做结构方程，这篇演示的路径系数不能直接套进 AMOS 的路径图里，需要按 SEM 的方式重新估计。
中介效应可以自己编吗？
不能。中介效应的路径系数、间接效应和置信区间必须来自真实问卷作答跑出来的结果，编造统计结果属于学术不端，一旦被发现后果很严重。AI 工具在这件事上的作用，是帮你更快跑出真实数据的分析结果，不是帮你生成一个看起来合理的假数字。
做中介效应检验至少需要多少份问卷？
没有一个放之四海而皆准的固定数字，需要结合模型里变量的数量、每个变量的题项数和研究设计判断，导师或期刊的具体要求也不一样。与其记一个笼统的比例，不如先把要检验的路径（谁是 X、谁是 M、谁是 Y）定下来，再看正式发放前的预调研数据是否足够跑出稳定的 Bootstrap 结果——这部分暂无可引用的确定数字，属于本文待确认项，会在后续批次补充可靠来源。
中介效应和调节效应是一回事吗？
不是。中介讲的是"通过什么路径起作用"——比如本文里 PU 通过 ATT 影响 BI；调节讲的是"在什么条件下这个作用会变强或变弱"，是完全不同的问题。如果研究实际要检验的是调节效应，照搬中介的模型设定思路会直接搞错方向，具体区别可以参考中介与调节的区别。
上面这两张表和分析文字都是在 ChatSRS 里对话跑出来的，截图原样贴的没改过，没有装任何插件。"部分中介还是完全中介"完整的判断路径，另写在中介效应结果怎么读那一篇，可以对着下面这张图一起看。
中介效应判断路径图：a 路径 0.518、b 路径 0.273、直接影响路径 0.334；间接效应 0.141，可信范围 [0.083, 0.206] 不含 0，直接效应 0.334 仍显著——两条路都成立，图中给出的结论是部分中介，完整判断逻辑本文先不拆开讲。
开始你的第一次中介效应检验
准备好去标识的问卷数据和要检验的路径（谁是自变量、谁是中介变量、谁是结果变量）后，可以登录 ChatSRS 开始分析。先把变量之间的先后顺序按研究设计定下来，再让 AI 跑 Bootstrap 中介检验，结果建议逐项核对后再写进论文。
相关文章推荐
本文演示数据为模拟问卷（N=300，感知有用性 PU、使用态度 ATT、使用意愿 BI 三个维度的均值分数），非真实用户数据。具体功能、数据处理规则和价格以当前产品页面与真实输出为准。