中介分析的 SPSS 结果解读：从原理到实践

在社会科学、医学、心理学等领域的研究中，变量之间的关系往往并非简单的直接影响，而是存在复杂的传导机制。中介分析作为探究这种机制的重要方法，能够揭示自变量（X）如何通过中介变量（M）影响因变量（Y），即 “X→M→Y” 的路径。SPSS 作为常用的统计分析工具，是实现中介分析的重要载体。本文将系统解读如何通过 SPSS 进行中介分析，并对结果进行科学解读。

一、中介分析的核心逻辑与前提假设

中介分析的核心是验证 “中介效应” 的存在性，即自变量 X 对因变量 Y 的影响是否部分或全部通过中介变量 M 实现。根据中介效应的强弱，可分为完全中介（X 对 Y 的直接效应消失，仅通过 M 影响 Y）和部分中介（X 对 Y 仍有直接效应，但部分效应通过 M 传导）。

进行中介分析需满足以下前提假设：

变量关系：X 与 Y、X 与 M、M 与 Y 均存在一定的相关性（可通过相关分析预先验证）；
数据特征：样本量充足（建议≥200，确保结果稳定性），变量测量可靠（如信效度达标）；
线性关系：X 与 M、M 与 Y、X 与 Y 之间均存在线性关系（可通过散点图或回归分析残差检验）；
无多重共线性：X 与 M 之间的共线性程度较低（VIF 值通常建议＜10）。

二、SPSS 中中介分析的操作路径

SPSS 中实现中介分析主要通过逐步回归分析结合显著性检验完成，经典步骤遵循 Baron 和 Kenny（1986）提出的四步法，具体操作如下：

步骤 1：检验 X 对 Y 的总效应（模型 1）

操作：在 SPSS 中选择 “分析→回归→线性”，将 Y 设为因变量，X 设为自变量，运行回归分析。
核心指标：关注 X 的回归系数（c）及显著性（p 值）。若 p＜0.05，说明 X 对 Y 存在显著总效应，可继续中介分析；若不显著，中介分析必要性较低。

步骤 2：检验 X 对 M 的效应（模型 2）

操作：同样通过线性回归，将 M 设为因变量，X 设为自变量。
核心指标：关注 X 的回归系数（a）及显著性（p 值）。若 p＜0.05，说明 X 对 M 存在显著影响，满足中介效应的前提条件。

步骤 3：检验 M 对 Y 的效应（模型 3）

操作：将 Y 设为因变量，同时纳入 X 和 M 作为自变量进行回归。
核心指标：关注 M 的回归系数（b）及显著性（p 值）。若 p＜0.05，说明 M 对 Y 存在显著影响，中介路径 “X→M→Y” 初步成立。

步骤 4：检验中介效应的显著性（模型 4）

操作：通过Sobel 检验或Bootstrap 法验证中介效应（ab）的显著性。SPSS 需通过 “宏程序” 或插件（如 Process）实现：
- Sobel 检验：计算 Z 值（Z=ab/SEab），若 | Z|＞1.96（p＜0.05），则中介效应显著；
- Bootstrap 法：更推荐的方法（无需满足正态分布假设），通过抽取样本计算置信区间，若 95% 置信区间不包含 0，则中介效应显著。

三、SPSS 结果的关键指标解读

SPSS 输出的中介分析结果包含多个统计量，需重点关注以下核心指标：

1. 回归系数（B）与标准化系数（β）

回归系数（B）：反映变量间影响的绝对大小。例如，模型 1 中 X 的 B 值表示 X 每变化 1 单位，Y 的平均变化量；模型 2 中 X 的 B 值表示 X 每变化 1 单位，M 的平均变化量；模型 3 中 M 的 B 值表示 M 每变化 1 单位，Y 的平均变化量（控制 X 后）。
标准化系数（β）：消除量纲影响，用于比较不同变量的效应大小。β 绝对值越大，影响越强。

2. 显著性水平（p 值）

p 值＜0.05 是效应显著的临界标准。需分别判断模型 1 中 X 的 p 值（总效应是否存在）、模型 2 中 X 的 p 值（X→M 路径是否显著）、模型 3 中 M 的 p 值（M→Y 路径是否显著），以及 Sobel 检验或 Bootstrap 的 p 值（中介效应是否显著）。

3. 决定系数（R²）与调整后 R²

R² 表示回归模型对因变量变异的解释比例，取值范围 0~1。例如，模型 3 的 R² 若为 0.35，说明 X 和 M 共同解释了 Y 的 35% 变异，较模型 1 的 R² 提升越多，说明 M 的中介作用越明显。

4. 中介效应类型判断

若模型 1 中 X 的效应显著（c≠0），模型 3 中 X 的效应仍显著（c’≠0）且 M 的效应显著（b≠0），则为部分中介；
若模型 1 中 X 的效应显著（c≠0），模型 3 中 X 的效应不显著（c’=0）但 M 的效应显著（b≠0），则为完全中介。

四、案例解析：SPSS 中介分析结果实操

以 “工作压力（X）通过职业倦怠（M）影响离职意向（Y）” 的研究为例，SPSS 输出结果如下：

模型 1（X→Y）：

回归系数 B=0.42，p=0.001（＜0.05），R²=0.18。

解读：工作压力对离职意向有显著正向影响（总效应显著），可解释离职意向 18% 的变异。
模型 2（X→M）：

回归系数 B=0.53，p=0.000（＜0.05），R²=0.28。

解读：工作压力对职业倦怠有显著正向影响，即工作压力越大，职业倦怠越严重。
模型 3（X+M→Y）：

M 的回归系数 B=0.31，p=0.002（＜0.05）；
X 的回归系数 B=0.25，p=0.023（＜0.05），R²=0.35。

解读：职业倦怠对离职意向有显著正向影响，且控制职业倦怠后，工作压力仍对离职意向有显著影响（但效应减弱），说明存在部分中介；模型解释力提升至 35%，表明职业倦怠在其中发挥了中介作用。

Bootstrap 检验：

中介效应值 ab=0.53×0.31=0.164，95% 置信区间为 [0.07,0.26]（不包含 0）。

解读：中介效应显著，即工作压力对离职意向的影响中，约 39%（0.164/0.42）通过职业倦怠传导。

五、注意事项与常见误区

样本量与方法选择：小样本（n＜200）建议使用 Bootstrap 法（样本量≥5000 次重复抽样），避免 Sobel 检验的正态分布假设偏差；
变量测量质量：中介变量的操作性定义需清晰，测量工具需经过信效度检验（如 Cronbach’s α＞0.7），否则会导致结果失真；
因果关系推断：中介分析仅能验证变量间的统计关联，需结合理论基础和研究设计（如纵向数据）推断因果，避免 “相关即因果” 的误区；
多重中介的扩展：若存在多个中介变量，需使用 SPSS 的 Process 插件进行链式中介或并行中介分析，避免遗漏关键路径。

六、总结

中介分析是揭示变量关系深层机制的有效工具，通过 SPSS 的回归分析结合显著性检验，可系统验证中介效应的存在性与类型。解读结果时，需紧扣回归系数、显著性、决定系数等核心指标，并结合研究理论判断中介效应的实际意义。掌握中介分析的 SPSS 结果解读方法，能为学术研究和实践决策提供更精准的依据，推动从 “是什么” 到 “为什么” 的认知升级。