bootstrap 方法检验中介效应显著性的核心是通过重复抽样估计间接效应的置信区间判断其是否显著不为零。中介效应指自变量 x 通过中介变量 m 影响因变量 y，其中间接效应即 x→m→y 的路径大小，如压力（x）通过焦虑（m）影响睡眠质量（y）。1. bootstrap 是非参数重抽样方法，无需正态分布假设，适用于小样本和复杂模型；2. 具体操作如在 spss process 插件中设置模型类型、变量角色并启用 bootstrap 抽样（推荐 5000 次）；3. 判断中介效应是否显著主要看间接效应的置信区间是否包含 0，若不包含则显著；4. 常用方法包括百分位法、偏差校正法（bc）和加速偏差校正法（bca），其中 bca 更准确；此外，注意样本量不宜过小、正确区分多重中介结构、合理加入控制变量，并在报告中标明 bootstrap 参数。
中介效应的显著性检验中，Bootstrap 方法因其不需要假设数据服从正态分布而被广泛使用。相比传统的 Sobel 检验，Bootstrap 更稳健、更可靠。下面直接说重点：使用 Bootstrap 法检验中介效应显著性，核心在于通过重复抽样估计间接效应的置信区间，从而判断其是否显著不为零。
什么是中介效应与间接效应？
在统计模型中，中介效应指的是自变量 X 对因变量 Y 的影响是通过一个中介变量 M 实现的。
其中，间接效应（Indirect Effect）就是 X → M → Y 这条路径的影响大小。
比如：
- 压力（X）影响焦虑（M），进而影响睡眠质量（Y）
- 此时，压力对睡眠的“间接影响”就是通过焦虑这个中介变量实现的
检验中介效应的核心，就是要看这个“间接效应”是否显著。
Bootstrap 法的基本原理和优势
Bootstrap 是一种非参数的重抽样方法，它通过对原始样本反复抽样来构建间接效应的经验分布。
优点包括：
- 不依赖正态分布假设
- 在小样本中表现也相对稳定
- 可用于复杂模型中的中介效应分析
简单来说，你从原始数据中随机有放回地抽取大量样本（如5000次），每次计算一次间接效应值，最后得到一个经验分布，并据此计算置信区间。
如何操作：用统计软件进行 Bootstrap 检验
不同软件的操作略有差异，但流程大致相同。以常用的 SPSS + Process 插件为例：
使用 SPSS Process 插件步骤：
- 安装并加载 Process 插件
- 打开菜单 Analyze > Regression > PROCESS
- 设置模型类型（如 Model 4 是最基础的中介模型）
- 将变量分别指定为 X、M、Y
- 勾选 “Bootstrap”，设置抽样次数（推荐 5000 次）
- 点击 OK，运行分析
输出结果中会显示：
- 总体效应（c）
- 直接效应（c’）
- 间接效应（a*b）
- Bootstrap 得到的置信区间（95% 或 99%）
如果置信区间 不包含 0，则说明中介效应显著。
结果解读要点：置信区间决定显著性
这是整个过程中最关键的部分：如何判断中介效应是否显著？
主要看间接效应的置信区间，比如输出显示：
- Indirect effect = 0.35
- 95% CI [0.12, 0.67]
由于区间下限大于 0，说明中介效应显著。
但如果：
- 95% CI [-0.1, 0.5]
这种情况下，区间包含了 0，就无法拒绝“中介效应不存在”的原假设。
注意：有些软件默认使用百分位法（Percentile），而有些使用偏差校正（Bias-corrected, BC）或加速偏差校正（BCa）。BCa 更推荐使用，因为它能修正偏差，提高准确性。
常见问题与注意事项
- 样本量太小会影响稳定性：虽然 Bootstrap 对小样本容忍度比传统方法高，但样本太少仍可能导致结果不稳定。
- 多重中介要分清楚模型结构：如果有多个中介变量，要选择正确的模型编号（如 Model 6 是平行中介，Model 7 是链式中介）。
- 控制变量可以加入模型中：Process 支持将协变量放入，提升模型解释力。
- 报告时应注明 Bootstrapping 的次数和置信水平：比如“使用 Bootstrap 抽样 5000 次，95% 置信区间”。
基本上就这些。掌握这几个关键点，就能比较准确地用 Bootstrap 法检验中介效应的显著性了。
