2.2.2不对称置信区间法
针对现有中介效应分析中的不足，Zhao(2010)建议使用Preacher和Hayes在2004发展的Bootstrap方法检验中介效应。不对称置信区间法由于放弃了中介效应的抽样分布为正态分布的前提，对中介效应的抽样分布不加限制，因此得到不对称置信区间。Bootstrap 法能适用于中、小样本和各种中介效应模型，且目前常用的各种统计软件都能进行Bootstrap 法运算。该方法主要包括非参数百分位Bootstrap置信区间法和偏差校对非参数百分位Bootstrap置信区间法。Bootstrap 法是一种从样本中重复取样的方法, 前提条件是样本能够代表总体(当然这也是通常取样进行统计推论的要求)。Bootstrap 法有多种取样方案, 其中一种简单的方案是从给定的样本中有放回地重复取样以产生出许多样本, 即将原始样本当作Bootstrap总体,从这个Bootstrap总体中重复取样以得到类似于原始样本的Bootstrap样本。(例如, 将一个容量为500的样本当作Bootstrap总体, 从中有放回地重复取样,可以得到一个Bootstrap样本(容量还是500)。
Zhao等(2010)中介效应分析程序
(1)基于Process插件的操作 PROCESS插件做中介和调节的优点：
近几年来，Hayes开发的基于SPSS和SAS的中介和调节效应分析程序插件Process得到了越来越多的人的应用，主要的优势有这么几点：
第一，中介效应分析一步到位。在Process之前，中介效应分析要分步进行，分为三步（实际上两步就可以）。第一步检验总效应，即自变量X对因变量Y的总效应。但这一步已经被证明是没有必要的甚至是错误的，总效应存在与否不是中介效应的必要条件，因此，先前支持中介效应三步法的一些学者后来做了修正，不再把检验总效应作为前提条件，也就是三步法实际上变成了两步法。此外，结构方程模型的思路再次证明，第一步检验总效应的做法完全没有必要。Hayes显然早已发现了这一点，因此，Process插件做的就是两步而不是三步。Process直接将这两步整合起来，得到一个总的结果，不需要分两步设置和分析，这就
大大简化了步骤，结果呈现更更全面。值得一提的是，Process虽然两步整合在一起，但其结果也是分步呈现，因而非常方便我们在论文中整理成规范的表格结果。
第二，Process的操作应用。Process主要应用于SPSS、SAS等传统数据统计分析软件，在SPSS中除了可以可视化操作外，还可以通过Syntax语法等方式操作，扩展功能更为强大。 第三，Process的模型构建。Process提供了76个模型，分析过程中需要选择对应的模型，设置相应的自变量、因变量、中介或调节变量即可。
第四，调节效应分析前的数据处理自动化。在Process出来之前，调节效应的分析要经过两个重要环节——变量中心化和构建交互项，虽然这两步的操作不难，但有时候容易忽视或者计算出错。Process提供了均值中心化之后的交互项设置，可以自动完成，因此更为准确高效。
第五，中介效应的Bootstrap和Sobel检验可以自动处理。在Process开发之前，中介效应的Bootstrap需要特别设置，Sobel检验需要手工计算（或者用专门的小程序），Process则可以直接自动化完成，并直接得到中介效应值Sobel检验值Z和显著性水平（基于理论正态分布）。
第六，可以处理带有控制变量的中介、调节效应模型。在中介效应和调节效应分析中，尤其是调节效应分析，经常需要对控制变量进行控制，Process对此也有专门的设置（协变量中处理即可）。
第七，处理多变量中介、调节效应更方便，例如多重中介效应、有中介的调节效应、有调节的中介效应等。例如，以往的SPSS分析不能提供多重中介模型的各个具体路径、各个中介变量单独的中介效应检验，如中介效应值及其置信区间和显著性水平等，而Process则可以提供这些结果。
第八，其他注意事项。Process只能处理显变量路径分析模型，不能处理潜变量模型，潜变量模型需要使用结构方程模型。那么，是用SPSS的Process插件还是用Amos等结构方程模型处理中介（Mediation）、调节效应（Moderation），哪个更好？ 对此要考虑这么几个问题，一个是样本量的问题，当样本量比较小时，用SPSS的Process方法比较好，因为小样本的数据更接近t分布而不是正态分布，而结构方程模型主要用于处理大样本。另一个是测量误差问题，SPSS只能处理显变量，不能分离测量误差，因而其结果不如潜变量的结构方程模型精确。第三是，SPSS不能像结构方程模型那样提供模型拟合参数，不能进行模型的整体评价。因此，如果研究者关注的重点是路径关系而不是整体模型效度，或者结构方程模型分析发现变量之间的路径关系符合理论假设但模型拟合不佳（需要规避模型拟合问题）则考虑SPSS的Process方法比较好。
非参数百分位Bootstrap置信区间法的原理和步骤：
第一，以原样本(样本容量为n)为基础，在保证每个观察单位每次被抽到的概率相等(均为1/n) 的情况下进行有放回的重复抽样，得到一个样本容量为n的Bootstrap样本；
第二，由步骤1中得到的Bootstrap样本计算出相应的中介效应估计值^a^b； 第三，重复步骤1和2若干次(记为B，常设B=5000)，将B个中介效应估计值的均值作为中介效应的点估计值，将B个中介效应估计值^a^b按数值大小排序，得到序列C；
非参数百分位Bootstrap置信区间法直接进行第四步：
第四，用C序列的第2.5百分位数(LLCI)和第97.5百分位数(ULCI)来估计的95%中介效应置信区间。
偏差校对非参数百分位Bootstrap置信区间法则进行下面两个步骤：
第四，根据原样本数据求取中介效应估计值^a^b，求^a^b在序列C中的百分比排位，即得到^a^b＜^a^b的概率Ф(z0); 第五，在标准正态累积分布函数中，根据Ф(z0)求取相应的z0值，求2Z0±Zα/2在标准正态累积分布函数中对应的概率Ф(2Z0±Zα/2)，用Ф(2Z0±Zα/2)在序列C中的百分位值作为置信区间的上、下置信限，构建置信度为1-α的中介效应置信区间。
由于非参数百分位Bootstrap置信区间法产生的置信区间的估计有可能会产生偏差。一般使用偏差校正(bias corrected)置信区间调整上限值和下限值，这种方法是对非参数百分位Bootstrap置信区间法的改进，其中前三步相同。不管使用何种程序，如果置信区间不包括0，说明有中介效应存在；置信区间包括0，说明中介效应不存在。
PROCESS插件具体操作步骤：
下载PROCESS插件安装在Spss中(http://www.comm.ohio-state.edu/ahayes/) 步骤一，运行SPSS，打开数据文件；
步骤二，在SPSS 程序的菜单栏中找到“分析”栏目下的“回归”，在“回归”下面找到已经安装的PROCESS插件；
步骤三，运行PROCESS程序，出现对话框；
步骤四，在对话框里的相应的输入框里，输入因变量，自变量，中介变量。
步骤五，Model Number选择4，把Bootstrap取样(Bootstrap samples)设定为1000，建议为5000，Bootstrap方法选择偏差校对方法(bias corrected)，置信区间选择95%置信区间；
步骤六，点击确定执行程序。
执行完程序，会出现输出文件。在输出文件中包括该中介模型的估计值，如R、R、F，同时输出文件也包括了因果逐步回归中的a、b、c’的估计值，以及ab的中介效应值。如果置信区间不包括0，那么中介作用显著，支持中介作用的假设；如果包括0，则不显著，不支持中介作用的假设。
2
*
*
*
Bootstrap操作图示
Bootstrap结果输出