中介效果與調節效果怎麼分？拔靴法間接效果、交互作用項與報告範本 — Editverse 臺灣

中介效果與調節效果怎麼分？拔靴法間接效果、交互作用項與報告範本

ByEditverse (Taiwan) Board of Editors

中介回答「X透過什麼影響Y」，以拔靴法檢定間接效果a×b；調節回答「X對Y的效果在什麼條件下改變」，以交互作用項與簡單斜率檢定。本文以兩份公開資料在R中實作，並提供可直接套用的報告句型。

審稿意見中常見的一句話是：「作者混用了mediation與moderation。」中介效果與調節效果在統計上都會用到迴歸，但回答的是兩個完全不同的研究問題。Baron與Kenny在1986年的經典文章開宗明義就提醒研究者，不應把調節變項與中介變項這兩個詞互換使用，並從概念、策略與統計三個層次說明兩者的差異。下文先給出判斷順序，再用真實資料示範檢定與報告。

先分清楚：中介與調節回答不同的問題

中介變項（M）位於因果路徑上：X先影響M，M再影響Y，研究問題是「機制」。例如：讓讀者覺得某則新聞的曝光度較高（X），使他們推測媒體會影響其他人（M），進而改變自己因應這則新聞的行為意圖（Y）。調節變項（W）則不在路徑上，而是改變X對Y效果的大小或方向，研究問題是「條件」。例如：當事人公開抗議歧視（X）是否提高旁觀者的好感（Y），取決於旁觀者本身多相信社會仍存在性別歧視（W）。

實務上可依序問三個問題：（1）這個第三變項會不會被X改變？若會，且理論上它接著影響Y，屬於中介。（2）它是X發生前就存在的特性或情境（如性別、年資、信念），且理論預期它改變X與Y關係的強弱？屬於調節。（3）兩種角色同時存在？那是條件化歷程分析（例如被調節的中介），需要把兩者放進同一個模型，而不是分開跑兩次。

圖1以本文兩個實例的實際估計值，並列兩種模型的結構：

中介效果與調節效果概念圖：左為X經M影響Y的路徑與間接效果，右為W調節X到Y的交互作用
圖1. 中介與調節的概念圖，數值為R實際估計結果。左：Tal-Or 等（2010）研究2資料，N = 123；右：Garcia 等（2010）資料，N = 129；兩者皆取自R psych套件。© editverse.com

中介：為什麼不再只用Baron與Kenny的步驟

傳統的「因果步驟法」要求依序達成X顯著預測Y、X顯著預測M、控制M後X的效果下降等條件。MacKinnon 等（2002）以蒙地卡羅模擬比較14種中介檢定方法，發現常用的Baron與Kenny步驟法統計檢定力偏低。Zhao、Lynch與Chen（2010）進一步指出，許多研究因為資料不符合Baron與Kenny的條件而被提早放棄或在審查中受阻，並提出以決策樹逐步檢定、分類中介類型的替代流程。

目前的主流做法是直接檢定間接效果a×b本身。Hayes與Scharkow（2013）比較多種間接效果推論方法後建議：若最在意檢定力，可用偏誤校正拔靴信賴區間，但它在某些情況下略為寬鬆；若較在意第一型錯誤，可用蒙地卡羅信賴區間或乘積分配法；百分位拔靴信賴區間則是兼顧兩者的折衷選擇。Preacher與Hayes（2008）也整理了多重中介變項模型的檢定與比較方法，並提供SPSS、SAS等語法。

實例一：總效果不顯著，間接效果仍可能存在

Tal-Or 等（2010）研究2以一則預期糖短缺的新聞為材料，間接操弄受試者對這則新聞曝光程度的認知（cond，psych說明文件記為低／高媒體重要性兩組），再測量受試者推測媒體對他人的影響（pmi）與自己的反應意圖（reaction），共123人。這份資料公開收錄於R的psych套件。

官方文件範例：R psych套件在CRAN的官方說明文件（Tal_Or 資料集說明）記載，此資料來自Tal-Or、Cohen、Tsfati與Gunther（2010）的研究2，含123筆觀察值，並寫明「It is used as an example of mediation by Hayes (2013) and for the mediate function.」資料由Hayes的教科書網頁下載，並經原作者同意使用。

在R以一般最小平方法迴歸估計：版面條件對推測媒體影響的路徑 a = 0.477，t(121) = 2.02，p = .045；控制條件後，推測媒體影響對反應意圖的路徑 b = 0.506，t(120) = 5.22，p < .001；直接效果 c′ = 0.254，p = .322。以5,000次百分位拔靴法估計的間接效果 a×b = 0.241，95% CI [0.011, 0.508]，區間不含0。拔靴區間會隨隨機種子略有差異，以另一個種子重跑得到 [0.009, 0.516]，結論不變；這也是報告時應寫明重抽次數與種子碼的原因。

關鍵在於總效果：版面條件對反應意圖的總效果 c = 0.496，p = .077，未達 .05。若照因果步驟法，第一步就會停止分析；但直接檢定間接效果，卻得到支持中介的證據。這正是Zhao 等（2010）所批評的情況。不過也要注意，本例中X是隨機分派的，M則是測量而非操弄的變項，M對Y的因果解讀仍需要理論與設計上的支持。

實例二：交互作用項與簡單斜率

Garcia 等（2010）讓129名女性閱讀一則職場性別歧視情境，隨機分派到當事人未抗議、個人抗議或集體抗議三種情境，再測量受試者對當事人的好感度；psych套件另將抗議條件重新編碼為未抗議與有抗議兩組（prot2），以符合Hayes（2013）的範例。調節模型為 liking = b₀ + b₁·prot2 + b₂·sexism + b₃·prot2×sexism。

結果顯示交互作用項顯著，b₃ = 0.834，SE = 0.244，t(125) = 3.42，p < .001；加入交互作用項使解釋變異量增加 ΔR² = .081。交互作用顯著之後，下一步是探測（probing）：Preacher、Curran與Bauer（2006）整理的簡單斜率、顯著區域（Johnson-Neyman法）與信賴帶，是目前標準的探測工具。

圖2把兩組的迴歸線畫在同一張圖上，並標示Johnson-Neyman點：

調節效果簡單斜率圖：抗議與未抗議兩組的好感度迴歸線隨性別歧視知覺交叉，標示Johnson-Neyman點
圖2. 抗議條件對好感度的效果隨性別歧視知覺改變；虛線為Johnson-Neyman點（約4.98），點線為95%信賴帶。資料來源：Garcia 等（2010），R psych套件Garcia資料集。© editverse.com

在性別歧視知覺為平均數減一個標準差（4.33）時，抗議的效果為 −0.16，95% CI [−0.68, 0.36]，p = .54；在平均數（5.12）時為 0.49，95% CI [0.12, 0.86]，p = .010；在平均數加一個標準差（5.90）時為 1.15，95% CI [0.61, 1.68]，p < .001。Johnson-Neyman分析顯示，性別歧視知覺高於約4.98時，抗議組與未抗議組的差異達 .05顯著。另一個臨界點約在3.51，低於此值時效果方向相反，但129人中僅2人（約1.6%）落在該範圍，詮釋時應保守。

報告範本：可以直接套用的句型

中介：以PROCESS或R進行簡單中介分析，拔靴重抽5,000次（百分位法，種子碼＿＿）。X對M的效果為 a = ＿＿，p = ＿＿；控制X後，M對Y的效果為 b = ＿＿，p = ＿＿。間接效果 ab = ＿＿，95% CI [＿＿, ＿＿]；直接效果 c′ = ＿＿，p = ＿＿。

調節：X與W的交互作用項顯著，b = ＿＿，SE = ＿＿，t(df) = ＿＿，p = ＿＿，ΔR² = ＿＿。簡單斜率分析顯示，W在平均數減一個標準差時，X的效果為＿＿（95% CI [＿＿, ＿＿]）；在平均數加一個標準差時為＿＿（95% CI [＿＿, ＿＿]）。Johnson-Neyman臨界點為 W = ＿＿。

報告時務必寫明拔靴次數與信賴區間類型（百分位或偏誤校正），因為Hayes與Scharkow（2013）的比較顯示不同方法在效果存在時較容易出現分歧。調節分析則應同時報告交互作用項、ΔR²與探測結果，不要只寫「有調節效果」。統計檢定方法的整體選擇邏輯，可參考統計檢定怎麼選。

規劃與投稿前的建議

中介研究的樣本數應在設計階段估算。Fritz與MacKinnon（2007）針對六種常用中介檢定方法，列出在不同效果大小組合下達到足夠檢定力所需的樣本數，可作為研究計畫與經費申請時的依據；樣本數估算的一般原則見樣本數與統計檢定力一文。此外，橫斷面問卷資料做中介分析時，應在討論章節說明時間順序與因果推論的限制。

如果需要協助確認模型設定、拔靴結果的解讀或結果段落的寫法，Editverse臺灣的統計分析服務可依研究問題檢查分析流程，並對照常見的統計報告錯誤逐項修正。Editverse僅就研究者提供、且有權分享的資料檔進行分析，不存取醫院、機構資料庫或任何帳號。

參考文獻

  • Baron RM, Kenny DA. The moderator-mediator variable distinction in social psychological research: conceptual, strategic, and statistical considerations. J Pers Soc Psychol. 1986;51(6):1173-1182. PMID: 3806354
  • MacKinnon DP, Lockwood CM, Hoffman JM, West SG, Sheets V. A comparison of methods to test mediation and other intervening variable effects. Psychol Methods. 2002;7(1):83-104. PMID: 11928892
  • Preacher KJ, Hayes AF. Asymptotic and resampling strategies for assessing and comparing indirect effects in multiple mediator models. Behav Res Methods. 2008;40(3):879-891. PMID: 18697684
  • Hayes AF, Scharkow M. The relative trustworthiness of inferential tests of the indirect effect in statistical mediation analysis: does method really matter? Psychol Sci. 2013;24(10):1918-1927. PMID: 23955356
  • Fritz MS, MacKinnon DP. Required sample size to detect the mediated effect. Psychol Sci. 2007;18(3):233-239. PMID: 17444920
  • Zhao X, Lynch JG, Chen Q. Reconsidering Baron and Kenny: Myths and truths about mediation analysis. Journal of Consumer Research. 2010;37(2):197-206. DOI: 10.1086/651257
  • Preacher KJ, Curran PJ, Bauer DJ. Computational tools for probing interactions in multiple linear regression, multilevel modeling, and latent curve analysis. Journal of Educational and Behavioral Statistics. 2006;31(4):437-448. DOI: 10.3102/10769986031004437
  • Tal-Or N, Cohen J, Tsfati Y, Gunther AC. Testing causal direction in the influence of presumed media influence. Communication Research. 2010;37(6):801-824. DOI: 10.1177/0093650210362684
  • R psych package. Tal_Or: Data set testing causal direction in presumed media influence. https://search.r-project.org/CRAN/refmans/psych/html/tal_or.html
  • R psych package. Garcia: Data from the sexism (protest) study of Garcia, Schmitt, Branscombe, and Ellemers (2010). https://search.r-project.org/CRAN/refmans/psych/html/Garcia.html

資料查核日期：2026-10-01。法規、費用與程序可能變動，引用前請回到原始來源再次確認。



Similar Posts