中介分析

在简单中介模型（单一中介变量 M、单一自变量 X、单一因变量 Y）中，总效应（total effect）指 X 对 Y 的总体影响，不区分作用路径；在 Baron 与 Kenny 的线性结构方程框架下，总效应 c 可分解为直接效应 c′ 与间接效应 ab 之和，即 c = c′ + ab，其中 a 为 X 对 M 的效应、b 为控制 X 后 M 对 Y 的效应。^{77The Moderator-Mediator Variable Distinction in Social Psychological Research: Conceptual, Strategic, and Statistical Considerationsdoi.org前往参考资料 ↓在新标签页中打开}

直接效应（direct effect）指在统计上保持中介变量 M 不变时，X 对 Y 的剩余影响，对应路径系数 c′；在 Baron–Kenny 框架中它被解释为「不经过 M 的那部分效应」。^{77The Moderator-Mediator Variable Distinction in Social Psychological Research: Conceptual, Strategic, and Statistical Considerationsdoi.org前往参考资料 ↓在新标签页中打开}

间接效应（indirect effect）指 X 通过 M 传递到 Y 的那部分效应，在简单线性模型中等于乘积 ab；Baron 与 Kenny 建议用 a 与 b 两个路径系数是否同时显著来间接判断中介是否存在，这一「逐步检验」做法后来被指出统计功效偏低且不直接检验 ab 本身。^{77The Moderator-Mediator Variable Distinction in Social Psychological Research: Conceptual, Strategic, and Statistical Considerationsdoi.org前往参考资料 ↓在新标签页中打开|88Asymptotic and Resampling Strategies for Assessing and Comparing Indirect Effects in Multiple Mediator Modelsdoi.org前往参考资料 ↓在新标签页中打开}

Sobel 检验把间接效应估计 ab 的抽样分布近似为正态，用 delta 方法估计其标准误并构造 z 统计量；该检验依赖 ab 渐近正态的假设，在小样本或 a、b 效应较弱时表现不佳，因此现代实践更常用偏差校正的 bootstrap 置信区间来检验间接效应。^{88Asymptotic and Resampling Strategies for Assessing and Comparing Indirect Effects in Multiple Mediator Modelsdoi.org前往参考资料 ↓在新标签页中打开|99Beyond Baron and Kenny: Statistical Mediation Analysis in the New Millenniumdoi.org前往参考资料 ↓在新标签页中打开}

在存在中介变量的模型中，「总效应 = 直接效应 + 间接效应」这一可加分解只在模型线性、无交互、无未控制混杂等条件下严格成立；一旦 X 与 M 存在交互作用，或采用非线性链接函数（如 logistic 回归），效应分解不再简单相加，需要改用基于潜在结果的因果中介分析框架来定义自然直接效应与自然间接效应。^{1010Identification, Inference and Sensitivity Analysis for Causal Mediation Effectsdoi.org前往参考资料 ↓在新标签页中打开|1111Marginal Structural Models and Causal Inference in Epidemiologydoi.org前往参考资料 ↓在新标签页中打开}

因果中介分析把直接效应与间接效应重新定义为基于潜在结果的对比：自然直接效应（NDE）比较的是在把中介变量固定到其自然取值（若 X 取对照值时的 M 值）条件下，X 从对照变为处理所带来的 Y 的变化；自然间接效应（NIE）则比较的是在 X 固定为处理值的条件下，M 从其在对照下的取值变为其在处理下的取值所带来的 Y 的变化。^{1010Identification, Inference and Sensitivity Analysis for Causal Mediation Effectsdoi.org前往参考资料 ↓在新标签页中打开|1111Marginal Structural Models and Causal Inference in Epidemiologydoi.org前往参考资料 ↓在新标签页中打开}

因果中介分析中自然直接效应与自然间接效应的识别需要额外的「交叉世界」假设，最关键的是序贯可忽略性（sequential ignorability）：在给定协变量后 X 的分配可忽略，且在给定协变量与 X 后 M 的分配也可忽略；此外还要求不存在受 X 影响的 M–Y 混杂因素。这些假设在观察性研究中通常无法直接检验，只能做敏感性分析。^{1010Identification, Inference and Sensitivity Analysis for Causal Mediation Effectsdoi.org前往参考资料 ↓在新标签页中打开|1111Marginal Structural Models and Causal Inference in Epidemiologydoi.org前往参考资料 ↓在新标签页中打开}

当序贯可忽略性不成立时，自然直接效应与自然间接效应一般不可识别；此时可退而估计「受控直接效应」（controlled direct effect, CDE），即在把 M 人为设定为某一固定值的条件下 X 对 Y 的效应，CDE 的识别只需控制 X–Y 与 M–Y 的混杂，不要求不存在受 X 影响的 M–Y 混杂。^{1111Marginal Structural Models and Causal Inference in Epidemiologydoi.org前往参考资料 ↓在新标签页中打开}

中介效应与「混杂」在概念上不同：传统中介分析关注 X→M→Y 的传递路径，而因果推断中的混杂指同时影响处理与结果的共同原因；把中介变量当作普通协变量进行调整会引入过度控制偏倚（over-adjustment bias），可能反而扭曲对总效应的估计。^{1111Marginal Structural Models and Causal Inference in Epidemiologydoi.org前往参考资料 ↓在新标签页中打开|1212Causal Inference: What Ifmiguelhernan.org前往参考资料 ↓在新标签页中打开}

在简单中介模型中，间接效应 ab 的显著性检验不应依赖「a 显著且 b 显著」的联合判断，因为即使 ab 本身显著，a 或 b 单独不显著的情形并不罕见；直接对乘积项 ab 做 bootstrap 抽样并构造百分位或偏差校正置信区间，是当前被广泛推荐的做法。^{88Asymptotic and Resampling Strategies for Assessing and Comparing Indirect Effects in Multiple Mediator Modelsdoi.org前往参考资料 ↓在新标签页中打开|99Beyond Baron and Kenny: Statistical Mediation Analysis in the New Millenniumdoi.org前往参考资料 ↓在新标签页中打开}

在路径图（path diagram）中，中介分析的基本三变量模型被画成三条有向边：处理/自变量 X 指向中介变量 M（a 路径），中介变量 M 指向结果变量 Y（b 路径），以及 X 直接指向 Y 的边（c′ 路径，即直接效应）。三条边共同构成一个「X→M→Y」的三角结构，其中 a×b 即间接效应（中介效应）。^{77The Moderator-Mediator Variable Distinction in Social Psychological Research: Conceptual, Strategic, and Statistical Considerationsdoi.org前往参考资料 ↓在新标签页中打开|1313Introduction to Mediation, Moderation, and Conditional Process Analysis: A Regression-Based Approach (3rd ed.)guilford.com前往参考资料 ↓在新标签页中打开}

路径图的记号传统可追溯到 Sewall Wright 在 1918–1921 年间提出的路径系数（path coefficient）方法：他用标准化偏回归系数在有向图上分解变量间的相关，这一记号后来被遗传学、社会学和心理学广泛沿用，成为中介分析路径图的直接前身。^{1414Correlation and Causationarchive.org前往参考资料 ↓在新标签页中打开}

在 Wright 的路径系数体系里，两个变量之间的总相关可以分解为「所有连接二者的路径」之和，每条路径的贡献等于该路径上各段路径系数的乘积；中介分析中「间接效应 = a×b」正是这条乘积规则的直接应用。^{1414Correlation and Causationarchive.org前往参考资料 ↓在新标签页中打开}

Baron 与 Kenny（1986）把中介模型形式化为三个回归方程：M 对 X 回归得系数 a，Y 对 X 与 M 同时回归得 b 与 c′，Y 对 X 单独回归得总效应 c；在无遗漏混杂的线性可加设定下，恒有 c = c′ + a·b。这一分解是路径图「总效应 = 直接效应 + 间接效应」的代数基础。^{77The Moderator-Mediator Variable Distinction in Social Psychological Research: Conceptual, Strategic, and Statistical Considerationsdoi.org前往参考资料 ↓在新标签页中打开|1515Asymptotic Confidence Intervals for Indirect Effects in Structural Equation Modelsdoi.org前往参考资料 ↓在新标签页中打开}

路径图中通常用单向箭头表示假定的因果方向、用双向弧线表示未建模的共变（例如 X 与 M 之间、或两个外生误差项之间的相关）；是否画出这些双向弧线，直接决定了模型隐含的独立性假设，也决定了 a、b、c′ 能否被解释为因果参数。^{1313Introduction to Mediation, Moderation, and Conditional Process Analysis: A Regression-Based Approach (3rd ed.)guilford.com前往参考资料 ↓在新标签页中打开|1616Causality: Models, Reasoning, and Inference (2nd ed.)cambridge.org前往参考资料 ↓在新标签页中打开}

在潜在结果框架下，路径图对应的中介模型需要额外的「交叉世界」反事实假设才能把 a×b 解释为自然间接效应（NIE）；Pearl 用「中介公式」把 NIE 写成对 M 的分布求和/积分的形式，并证明在无未测 X–M 与 M–Y 混杂时该公式可识别。^{1616Causality: Models, Reasoning, and Inference (2nd ed.)cambridge.org前往参考资料 ↓在新标签页中打开|1717Direct and Indirect Effectsarxiv.org前往参考资料 ↓在新标签页中打开}

路径图可以自然推广到多重中介：k 个并行中介 M₁…M_k 时，X 到每个 M_j 各有一条 a_j 边、每个 M_j 到 Y 各有一条 b_j 边，总间接效应为 Σ a_j b_j；若中介之间还存在 M₁→M₂ 的边，则出现链式（序列）中介，间接效应需按路径逐条相乘再求和。^{1313Introduction to Mediation, Moderation, and Conditional Process Analysis: A Regression-Based Approach (3rd ed.)guilford.com前往参考资料 ↓在新标签页中打开|2020Mediation Analysis with Multiple Mediatorsdoi.org前往参考资料 ↓在新标签页中打开}

在路径图的图形语言中，调节（moderation）被画成一条箭头指向另一条边（而非指向节点），表示该路径的系数随调节变量取值而变化；中介与调节同时出现时即构成「有调节的中介」（moderated mediation）模型，其条件间接效应是调节变量取值的函数。^{1313Introduction to Mediation, Moderation, and Conditional Process Analysis: A Regression-Based Approach (3rd ed.)guilford.com前往参考资料 ↓在新标签页中打开|2121Conditional Process Analysis: Concepts, Computation, and Advances in the Modeling of the Contingencies of Mechanismsdoi.org前往参考资料 ↓在新标签页中打开}

结构方程模型（SEM）软件把路径图直接翻译为联立方程与协方差结构：每个内生节点对应一个方程，双向弧线对应自由估计的协方差参数，模型整体用协方差矩阵的拟合优度（如 χ²、CFI、RMSEA）来评价，因此路径图在 SEM 中既是示意图也是可估计的模型规格。^{2222Principles and Practice of Structural Equation Modeling (4th ed.)guilford.com前往参考资料 ↓在新标签页中打开}

路径图的识别性取决于图中自由参数个数与样本协方差矩阵提供的信息量：饱和模型（自由参数数等于观测方差-协方差个数）恰好识别、拟合优度恒为完美，因此仅含 X、M、Y 三个观测变量的简单中介路径图本身是饱和的，无法用整体拟合指标检验模型对错。^{2222Principles and Practice of Structural Equation Modeling (4th ed.)guilford.com前往参考资料 ↓在新标签页中打开}

路径图与 因果图（DAG）在记号上同源但用途不同：DAG 主要用于陈述定性因果假设并据此判定可识别性与选择调整集，路径图则额外承载参数化（线性、可加）假设以给出效应大小的分解；把 DAG 直接当作线性路径图来读，是中介分析中常见的误用。^{1616Causality: Models, Reasoning, and Inference (2nd ed.)cambridge.org前往参考资料 ↓在新标签页中打开|1818Explanation in Causal Inference: Methods for Mediation and Interactionglobal.oup.com前往参考资料 ↓在新标签页中打开}

在线性结构方程框架下，中介分析的基本模型由三个回归方程构成：因变量 Y 对自变量 X 的回归 Y = i₁ + cX + e₁，中介变量 M 对 X 的回归 M = i₂ + aX + e₂，以及 Y 同时对 X 和 M 的回归 Y = i₃ + c′X + bM + e₃。其中 c 为总效应，c′ 为直接效应，a 为 X 对 M 的效应，b 为控制 X 后 M 对 Y 的效应。^{77The Moderator-Mediator Variable Distinction in Social Psychological Research: Conceptual, Strategic, and Statistical Considerationsdoi.org前往参考资料 ↓在新标签页中打开|1313Introduction to Mediation, Moderation, and Conditional Process Analysis: A Regression-Based Approach (3rd ed.)guilford.com前往参考资料 ↓在新标签页中打开}

在线性、无交互、无遗漏混杂的设定下，间接效应等于 a 与 b 的乘积，即 ab = c − c′；这一乘积关系是经典中介分析的核心恒等式，也是 Baron–Kenny 逐步检验法与 Sobel 检验的代数基础。^{77The Moderator-Mediator Variable Distinction in Social Psychological Research: Conceptual, Strategic, and Statistical Considerationsdoi.org前往参考资料 ↓在新标签页中打开|1313Introduction to Mediation, Moderation, and Conditional Process Analysis: A Regression-Based Approach (3rd ed.)guilford.com前往参考资料 ↓在新标签页中打开}

Baron 与 Kenny 于 1986 年提出的因果步骤法要求依次满足：X 对 Y 的总效应 c 显著、X 对 M 的效应 a 显著、控制 X 后 M 对 Y 的效应 b 显著，并进一步比较 c 与 c′ 是否下降；若 c′ 不显著而 c 显著，则称为完全中介，若 c′ 仍显著但绝对值下降，则称为部分中介。^{77The Moderator-Mediator Variable Distinction in Social Psychological Research: Conceptual, Strategic, and Statistical Considerationsdoi.org前往参考资料 ↓在新标签页中打开}

Sobel 检验用 delta 法对乘积 ab 做一阶泰勒近似，其标准误为 sqrt(b²·SE_a² + a²·SE_b²)，检验统计量 z = ab / SE_ab 在零假设下近似服从标准正态分布；该检验假定 ab 的抽样分布近似正态，因而在小样本或效应量较小时偏保守、统计功效偏低。^{1313Introduction to Mediation, Moderation, and Conditional Process Analysis: A Regression-Based Approach (3rd ed.)guilford.com前往参考资料 ↓在新标签页中打开|2323Confidence Limits for the Indirect Effect: Distribution of the Product and Resampling Methodsdoi.org前往参考资料 ↓在新标签页中打开}

Bootstrap 重抽样法（常用偏差校正的百分位法，BC bootstrap）不依赖 ab 的正态假设，通过上万次重抽样构造 ab 的经验置信区间，若区间不含 0 则判定间接效应显著；模拟研究表明其在第一类错误率和功效上通常优于 Sobel 检验，已成为中介效应检验的推荐做法。^{2323Confidence Limits for the Indirect Effect: Distribution of the Product and Resampling Methodsdoi.org前往参考资料 ↓在新标签页中打开|88Asymptotic and Resampling Strategies for Assessing and Comparing Indirect Effects in Multiple Mediator Modelsdoi.org前往参考资料 ↓在新标签页中打开}

在含 X–M 交互的调节中介模型（moderated mediation）中，间接效应不再是常数，而是调节变量的函数，条件间接效应可写为 (a₁ + a₃W)(b₁ + b₃W) 等形式；此时「ab = c − c′」的简单乘积恒等式不再成立，总效应也不再等于直接效应与间接效应之和。^{2424Mediation Analysisdoi.org前往参考资料 ↓在新标签页中打开}

当模型含多个中介变量时，特定间接效应为 a_j·b_j，总间接效应为各特定间接效应之和，且总效应仍可分解为直接效应与总间接效应之和；但各条路径之间可能相关，需用多元 delta 法或 bootstrap 联合检验。^{1313Introduction to Mediation, Moderation, and Conditional Process Analysis: A Regression-Based Approach (3rd ed.)guilford.com前往参考资料 ↓在新标签页中打开|88Asymptotic and Resampling Strategies for Assessing and Comparing Indirect Effects in Multiple Mediator Modelsdoi.org前往参考资料 ↓在新标签页中打开}

在线性模型中，间接效应 ab 与直接效应 c′ 的尺度不同，ab 是乘积项而 c′ 是偏回归系数，因此「中介效应占总效应的比例」ab/c 只在总效应远离 0 且模型正确设定时才有意义，否则比例可能超出 [0,1] 或极不稳定。^{1313Introduction to Mediation, Moderation, and Conditional Process Analysis: A Regression-Based Approach (3rd ed.)guilford.com前往参考资料 ↓在新标签页中打开|1919Mediation Analysis: A Practitioner's Guidedoi.org前往参考资料 ↓在新标签页中打开}

线性系数关系成立的前提包括：模型正确设定、无遗漏混杂、无测量误差、误差项同方差且相互独立；若 M 或 Y 存在测量误差，a、b、c′ 的估计会出现衰减偏倚，乘积 ab 的偏倚方向与幅度取决于误差结构。^{1313Introduction to Mediation, Moderation, and Conditional Process Analysis: A Regression-Based Approach (3rd ed.)guilford.com前往参考资料 ↓在新标签页中打开|2424Mediation Analysisdoi.org前往参考资料 ↓在新标签页中打开}

Baron 与 Kenny 于 1986 年发表在《Journal of Personality and Social Psychology》上的论文《The moderator–mediator variable distinction in social psychological research: Conceptual, strategic, and statistical considerations》系统提出了后来被称为「逐步法」（causal steps approach）的中介效应检验程序，该程序要求依次满足三个条件：自变量对因变量的总效应显著、自变量对中介变量的效应显著、控制中介变量后中介变量对因变量的效应显著，并据以判断中介效应是否存在。^{2525中介效应分析：方法和模型发展journal.psych.ac.cn前往参考资料 ↓在新标签页中打开}

在 Baron–Kenny 逐步法中，中介效应被分解为「自变量→中介变量」路径系数 a 与「中介变量→因变量（控制自变量）」路径系数 b 的乘积 a×b，总效应 c 等于直接效应 c′ 与间接效应 a×b 之和；逐步法本质上是通过依次检验 a 与 b 是否显著来间接推断乘积 a×b 是否为零，而非直接检验乘积本身。^{2525中介效应分析：方法和模型发展journal.psych.ac.cn前往参考资料 ↓在新标签页中打开}

温忠麟与叶宝娟在 2014 年发表于《心理科学进展》的综述中指出，Baron 和 Kenny 的逐步法是心理学及其他社会科学实证研究中检验中介效应「最流行的方法」，大量实证文章采用该程序建立中介效应模型以分析自变量影响因变量的过程与机制。^{2525中介效应分析：方法和模型发展journal.psych.ac.cn前往参考资料 ↓在新标签页中打开|2626心理科学进展 高浏览文章列表（含《中介效应分析：方法和模型发展》摘要页）journal.psych.ac.cn前往参考资料 ↓在新标签页中打开}

同一篇 2014 年的综述同时指出，Baron–Kenny 逐步法「近年来不断受到批评和质疑」，有学者甚至呼吁停止使用其中的依次检验，转而采用当时已被普遍认为更好的 Bootstrap 法直接检验系数乘积 a×b。^{2525中介效应分析：方法和模型发展journal.psych.ac.cn前往参考资料 ↓在新标签页中打开|2626心理科学进展 高浏览文章列表（含《中介效应分析：方法和模型发展》摘要页）journal.psych.ac.cn前往参考资料 ↓在新标签页中打开}

Baron–Kenny 逐步法在中文方法学文献中通常被概括为「三步检验」：第一步检验总效应 c 是否显著，第二步检验 a 与 b 是否显著，第三步区分完全中介与部分中介——控制中介变量后自变量对因变量的直接效应 c′ 不显著则判为完全中介，仍然显著则判为部分中介。^{2525中介效应分析：方法和模型发展journal.psych.ac.cn前往参考资料 ↓在新标签页中打开}

在 Baron–Kenny 逐步法之后、Bootstrap 普及之前，Sobel 检验（基于 a×b 的正态近似标准误构造 z 统计量）作为对乘积项的直接检验被广泛用作逐步法的补充；但 Sobel 检验假定 a×b 服从正态分布，而乘积项的实际抽样分布通常偏态，因此其检验偏保守、功效偏低。^{2525中介效应分析：方法和模型发展journal.psych.ac.cn前往参考资料 ↓在新标签页中打开}

温忠麟与叶宝娟的综述在辨析上述争议的基础上，综合新近研究成果总结出一套中介效应分析流程，并分别给出显变量与潜变量情形的 Mplus 程序，标志着中文方法学文献从单纯沿用 Baron–Kenny 程序转向「逐步检验＋Bootstrap 直接检验」的整合框架。^{2525中介效应分析：方法和模型发展journal.psych.ac.cn前往参考资料 ↓在新标签页中打开|2626心理科学进展 高浏览文章列表（含《中介效应分析：方法和模型发展》摘要页）journal.psych.ac.cn前往参考资料 ↓在新标签页中打开}

Sobel 检验由统计学家 Michael E. Sobel 在 1982 年发表于《British Journal of Mathematical and Statistical Psychology》的论文《Asymptotic confidence intervals for indirect effects in structural equation models》中系统提出，用于对结构方程模型中的间接效应（即中介效应）构造渐近置信区间并进行显著性检验。^{1515Asymptotic Confidence Intervals for Indirect Effects in Structural Equation Modelsdoi.org前往参考资料 ↓在新标签页中打开}

Sobel 检验的核心思想是：在假定中介效应估计量 \(\hat{a}\hat{b}\) 渐近服从正态分布的前提下，用 Delta 方法（一阶泰勒展开）近似其标准误，公式为 \(SE(\hat{a}\hat{b}) \approx \sqrt{\hat{b}^2 SE(\hat{a})^2 + \hat{a}^2 SE(\hat{b})^2}\)，再以 \(z = \hat{a}\hat{b}/SE(\hat{a}\hat{b})\) 对照标准正态分布求 p 值。^{1515Asymptotic Confidence Intervals for Indirect Effects in Structural Equation Modelsdoi.org前往参考资料 ↓在新标签页中打开|1313Introduction to Mediation, Moderation, and Conditional Process Analysis: A Regression-Based Approach (3rd ed.)guilford.com前往参考资料 ↓在新标签页中打开}

Sobel 检验的推导依赖两个关键假设：一是样本量足够大，使 \(\hat{a}\) 与 \(\hat{b}\) 的联合分布可用多元正态近似；二是间接效应 \(ab\) 的抽样分布本身近似正态。第二个假设在中小样本、或 \(a\)、\(b\) 中至少一个效应量较小时往往不成立，这是该方法最主要的理论弱点。^{1313Introduction to Mediation, Moderation, and Conditional Process Analysis: A Regression-Based Approach (3rd ed.)guilford.com前往参考资料 ↓在新标签页中打开|1919Mediation Analysis: A Practitioner's Guidedoi.org前往参考资料 ↓在新标签页中打开}

由于 Sobel 检验假定间接效应的抽样分布为正态，而实际分布通常右偏且尖峰，该检验在中小样本下检验力（power）偏低，倾向于低估显著的中介效应；模拟研究普遍显示其第一类错误率控制尚可，但检验力明显逊于 Bootstrap 置信区间法与乘积分布法。^{1919Mediation Analysis: A Practitioner's Guidedoi.org前往参考资料 ↓在新标签页中打开|2323Confidence Limits for the Indirect Effect: Distribution of the Product and Resampling Methodsdoi.org前往参考资料 ↓在新标签页中打开}

MacKinnon、Lockwood 与 Williams 在 2004 年发表于《Multivariate Behavioral Research》的模拟研究比较了多种中介效应显著性检验方法，结论是偏差校正 Bootstrap 与百分位 Bootstrap 在检验力和第一类错误控制上整体优于 Sobel 一阶 Delta 方法，此后 Bootstrap 逐渐取代 Sobel 检验成为中介分析的主流推断手段。^{2323Confidence Limits for the Indirect Effect: Distribution of the Product and Resampling Methodsdoi.org前往参考资料 ↓在新标签页中打开}

在软件实现层面，Sobel 检验长期是结构方程与中介分析工具包的标准输出之一：Preacher 与 Leonardelli 提供的在线 Sobel 检验计算器、Hayes 的 PROCESS 宏（indirect 选项中的 Sobel 检验）、以及 R 包 mediation 与 lavaan 中的相关函数，都内置了 Sobel 检验或 Delta 法标准误。^{2727Calculation for the Sobel test: An interactive calculation tool for mediation testsquantpsy.org前往参考资料 ↓在新标签页中打开|2828PROCESS macro for SPSS, SAS, and Rprocessmacro.org前往参考资料 ↓在新标签页中打开}

Sobel 检验在方法学文献中常被作为「需要被超越的基线」来引用：Baron 与 Kenny 1986 年提出的因果步骤法本身并未规定必须用 Sobel 检验，但后续教科书与软件把两者捆绑，使 Sobel 检验在 1990 年代至 2000 年代成为中介效应检验事实上的默认做法。^{1313Introduction to Mediation, Moderation, and Conditional Process Analysis: A Regression-Based Approach (3rd ed.)guilford.com前往参考资料 ↓在新标签页中打开|77The Moderator-Mediator Variable Distinction in Social Psychological Research: Conceptual, Strategic, and Statistical Considerationsdoi.org前往参考资料 ↓在新标签页中打开}

Sobel 检验与因果中介分析框架的关系需要澄清：它检验的是「间接效应参数 \(ab=0\)」这一统计假设，本身不识别自然直接效应与自然间接效应，也不要求序贯可忽略性等因果假设；因此它属于统计中介分析传统，而非 因果中介分析 中的反事实推断。^{1515Asymptotic Confidence Intervals for Indirect Effects in Structural Equation Modelsdoi.org前往参考资料 ↓在新标签页中打开|1313Introduction to Mediation, Moderation, and Conditional Process Analysis: A Regression-Based Approach (3rd ed.)guilford.com前往参考资料 ↓在新标签页中打开}

在 Baron 与 Kenny 的逐步法长期占据主流之后，中介效应检验的重心逐渐从「依次检验回归系数」转向「直接检验系数乘积 ab」。温忠麟与叶宝娟在 2014 年的综述中指出，逐步法「近年来不断受到批评和质疑，有人甚至呼吁停止使用其中的依次检验，改用目前普遍认为比较好的 Bootstrap 法直接检验系数乘积」。^{2525中介效应分析：方法和模型发展journal.psych.ac.cn前往参考资料 ↓在新标签页中打开|2626心理科学进展 高浏览文章列表（含《中介效应分析：方法和模型发展》摘要页）journal.psych.ac.cn前往参考资料 ↓在新标签页中打开}

乘积分布法（product of coefficients）与 Bootstrap 法同属「直接检验系数乘积」这一路线：前者假定在 H0: ab = 0 下估计量 âb̂ 近似服从正态分布，用其标准误构造 z 统计量；后者不依赖正态假定，通过对样本做有放回重抽样构造 âb̂ 的经验分布，再取百分位或偏差校正百分位区间。两者针对的是同一个原假设，区别在于对 âb̂ 抽样分布的刻画方式。^{2525中介效应分析：方法和模型发展journal.psych.ac.cn前往参考资料 ↓在新标签页中打开}

Sobel 检验是乘积分布法最常被引用的具体实现，其检验统计量 z = âb̂ / se(âb̂)，其中 se(âb̂) 由 Sobel 一阶近似给出。由于 âb̂ 的抽样分布通常右偏、且在中介效应较小时明显非正态，Sobel 检验的统计功效偏低、第一类错误控制也依赖正态近似是否成立，这正是后续文献主张改用 Bootstrap 的主要理由。^{2525中介效应分析：方法和模型发展journal.psych.ac.cn前往参考资料 ↓在新标签页中打开}

Bootstrap 法在中介分析中的推广与 Preacher 与 Hayes 的工作密切相关：他们把 Bootstrap 区间估计引入简单中介与多重中介模型，并配套发布了可在 SPSS/SAS 中运行的宏程序，使这一方法从方法学文献进入普通应用研究者的工具箱。^{2525中介效应分析：方法和模型发展journal.psych.ac.cn前往参考资料 ↓在新标签页中打开}

温忠麟与叶宝娟的综述把「用 Bootstrap 法直接检验系数乘积」列为当时「普遍认为比较好」的做法，并据此整合出一套中介效应分析流程，同时给出显变量与潜变量模型的 Mplus 程序。这说明到 2010 年代中期，Bootstrap 已从备选方案上升为中文社科方法学教材式综述中的推荐路径。^{2525中介效应分析：方法和模型发展journal.psych.ac.cn前往参考资料 ↓在新标签页中打开|2626心理科学进展 高浏览文章列表（含《中介效应分析：方法和模型发展》摘要页）journal.psych.ac.cn前往参考资料 ↓在新标签页中打开}

乘积分布法与 Bootstrap 法的分歧还体现在区间估计的构造上：乘积分布法给出的是基于正态近似的对称置信区间，而 Bootstrap 百分位区间是非对称的，能反映 âb̂ 分布的偏态。这一差异在中介效应接近零或样本量较小时会直接改变结论。^{2525中介效应分析：方法和模型发展journal.psych.ac.cn前往参考资料 ↓在新标签页中打开}

从时间线看，中介效应检验方法的演进大致是：Baron–Kenny 逐步法（1986）→ 乘积分布法/Sobel 检验作为对「只做依次检验」的补充 → Bootstrap 区间法在 2000 年代后被广泛推荐。温忠麟与叶宝娟 2014 年的综述正处在这一转向的收束阶段，把 Bootstrap 写入了标准分析流程。^{2525中介效应分析：方法和模型发展journal.psych.ac.cn前往参考资料 ↓在新标签页中打开|2626心理科学进展 高浏览文章列表（含《中介效应分析：方法和模型发展》摘要页）journal.psych.ac.cn前往参考资料 ↓在新标签页中打开}

因果中介分析的反事实框架把中介效应定义为嵌套的反事实对比：自然间接效应（NIE）等于在暴露设为 1 时中介取值分布下结局的期望，减去同一暴露水平下若中介取暴露 0 时分布下结局的期望，即 NIE = E[Y(1, M(1))] − E[Y(1, M(0))]；自然直接效应（NDE）则固定中介为 M(0) 或 M(1) 对比暴露。这一表述把「中介」从回归系数的乘积重新定义为潜在结局之间的差。^{2929Causal Analysis in Theory and Practice » Comments on Kenny’s Summary of Causal Mediationcausality.cs.ucla.edu前往参考资料 ↓在新标签页中打开}

在反事实框架中，受控直接效应 CDE(M) 定义为把中介统一固定在某一水平 m 时暴露 1 与暴露 0 的结局期望之差，即 CDE(M) = E[Y(1,M)] − E[Y(0,M)]；它与自然直接效应的区别在于中介被外部干预固定，而不是让其自然取值。^{2929Causal Analysis in Theory and Practice » Comments on Kenny’s Summary of Causal Mediationcausality.cs.ucla.edu前往参考资料 ↓在新标签页中打开}

Judea Pearl 等人在评论 Kenny 对中介分析的总结时指出，Baron–Kenny 逐步回归法所依赖的结构方程系数乘积，在存在同时影响中介与结局的潜在混杂变量 L 时会给出误导性结论：例如结构方程 Y = 0·X + 0·M + L 与 M = X + L 中 X 对 Y 的直接效应显然为零，但把 M 对 Y 回归仍会得到非零的中介路径系数，从而把混杂误读为中介。^{2929Causal Analysis in Theory and Practice » Comments on Kenny’s Summary of Causal Mediationcausality.cs.ucla.edu前往参考资料 ↓在新标签页中打开}

因果中介分析的历史脉络可概括为：Baron 与 Kenny（1986）及 Judd 与 Kenny（1981）奠定了社会科学中逐步回归式的中介检验范式；此后 Pearl 及 Robins、Greenland 等人引入反事实与潜在结局语言，把直接效应与间接效应形式化为可识别性问题，形成今天的因果中介分析框架。^{2929Causal Analysis in Theory and Practice » Comments on Kenny’s Summary of Causal Mediationcausality.cs.ucla.edu前往参考资料 ↓在新标签页中打开}

因果中介框架与 Baron–Kenny 传统之间并非简单的取代关系：Kenny 本人也在其网站上增设了因果推断取向的中介分析章节，说明两套语言在社会科学教学与实践中长期并存，前者强调效应定义与假设透明，后者强调操作简便。^{2929Causal Analysis in Theory and Practice » Comments on Kenny’s Summary of Causal Mediationcausality.cs.ucla.edu前往参考资料 ↓在新标签页中打开}

逐步回归法（causal steps approach）由 Baron 与 Kenny 于 1986 年提出，是中介效应检验中最广为人知、应用最广的程序：它要求依次检验自变量对因变量的总效应、自变量对中介变量的效应、以及控制自变量后中介变量对因变量的效应，只有三步均显著才判定中介成立。^{2525中介效应分析：方法和模型发展journal.psych.ac.cn前往参考资料 ↓在新标签页中打开}

在心理学及其他社会科学实证研究中，Baron 与 Kenny 的逐步法是检验中介效应最流行的做法，大量实证文章以它建立中介模型来分析自变量影响因变量的过程与机制。^{2525中介效应分析：方法和模型发展journal.psych.ac.cn前往参考资料 ↓在新标签页中打开|2626心理科学进展 高浏览文章列表（含《中介效应分析：方法和模型发展》摘要页）journal.psych.ac.cn前往参考资料 ↓在新标签页中打开}

逐步回归法的判定逻辑是「依次检验」：先看总效应是否显著，再看自变量到中介变量的路径是否显著，最后看中介变量到因变量的路径在控制自变量后是否显著；三步全部通过才认为存在中介效应，其中若控制中介后自变量对因变量的直接效应不再显著，则称为完全中介，否则称为部分中介。^{2525中介效应分析：方法和模型发展journal.psych.ac.cn前往参考资料 ↓在新标签页中打开}

针对逐步法的局限，目前学界普遍认为更好的做法是用 Bootstrap 法直接检验系数乘积（即间接效应 a×b），它不依赖总效应显著这一前提，统计功效也高于依次检验。^{2525中介效应分析：方法和模型发展journal.psych.ac.cn前往参考资料 ↓在新标签页中打开|2626心理科学进展 高浏览文章列表（含《中介效应分析：方法和模型发展》摘要页）journal.psych.ac.cn前往参考资料 ↓在新标签页中打开}

温忠麟与叶宝娟在 2014 年发表于《心理科学进展》的综述中，综合新近研究成果总结出一套中介效应分析流程，并分别给出显变量与潜变量的 Mplus 程序，同时讨论了中介分析中建立因果关系的方法以及中介效应模型的发展。^{2525中介效应分析：方法和模型发展journal.psych.ac.cn前往参考资料 ↓在新标签页中打开|2626心理科学进展 高浏览文章列表（含《中介效应分析：方法和模型发展》摘要页）journal.psych.ac.cn前往参考资料 ↓在新标签页中打开}

系数乘积检验（product-of-coefficients test）检验的原假设是间接效应 ab = 0，其中 a 为自变量 X 对中介变量 M 的回归系数、b 为控制 X 后 M 对因变量 Y 的回归系数；其检验统计量由 Sobel 于 1982 年提出，故通称 Sobel 检验。^{3030Asymptotic Confidence Intervals for Indirect Effects in Structural Equation Modelsjstor.org前往参考资料 ↓在新标签页中打开|77The Moderator-Mediator Variable Distinction in Social Psychological Research: Conceptual, Strategic, and Statistical Considerationsdoi.org前往参考资料 ↓在新标签页中打开}

Sobel 检验的标准误采用一阶 Delta 法（Delta method）近似：SE(ab) ≈ √(a²·SE_b² + b²·SE_a²)，即只保留一阶项、忽略 a 与 b 估计量之间的协方差项；当 a、b 的抽样分布近似正态且样本量较大时该近似成立。^{3030Asymptotic Confidence Intervals for Indirect Effects in Structural Equation Modelsjstor.org前往参考资料 ↓在新标签页中打开|77The Moderator-Mediator Variable Distinction in Social Psychological Research: Conceptual, Strategic, and Statistical Considerationsdoi.org前往参考资料 ↓在新标签页中打开}

检验统计量 z = ab / SE(ab) 在零假设下近似服从标准正态分布，双侧 p 值由 2[1 − Φ(|z|)] 给出；也可等价地用临界比值法判断，即 |z| 超过 1.96 时在 0.05 水平拒绝原假设。^{3030Asymptotic Confidence Intervals for Indirect Effects in Structural Equation Modelsjstor.org前往参考资料 ↓在新标签页中打开|77The Moderator-Mediator Variable Distinction in Social Psychological Research: Conceptual, Strategic, and Statistical Considerationsdoi.org前往参考资料 ↓在新标签页中打开}

Sobel 检验只需两次普通最小二乘回归的系数估计与标准误即可完成计算，无需 bootstrap 重抽样或特殊软件，因此在 1980—2000 年代成为中介效应显著性检验的事实标准，并被 Baron 与 Kenny 的逐步法流程广泛配套使用。^{77The Moderator-Mediator Variable Distinction in Social Psychological Research: Conceptual, Strategic, and Statistical Considerationsdoi.org前往参考资料 ↓在新标签页中打开|2323Confidence Limits for the Indirect Effect: Distribution of the Product and Resampling Methodsdoi.org前往参考资料 ↓在新标签页中打开}

Sobel 检验的核心缺陷是统计功效偏低：由于间接效应的抽样分布通常右偏且尖峰，而 Sobel 检验假定 ab 服从正态分布，其实际检验力明显低于偏差校正 bootstrap 与百分位 bootstrap，在中小样本下尤其容易漏检真实存在的中介效应。^{2323Confidence Limits for the Indirect Effect: Distribution of the Product and Resampling Methodsdoi.org前往参考资料 ↓在新标签页中打开|1313Introduction to Mediation, Moderation, and Conditional Process Analysis: A Regression-Based Approach (3rd ed.)guilford.com前往参考资料 ↓在新标签页中打开}

MacKinnon 等通过模拟研究指出，Sobel 检验在 a、b 均不为零但效应量中等偏小时的第一类错误率尚可控制，但功效损失可达 10%—20% 以上；他们推荐以 bootstrap 置信区间或分布自由方法替代 Sobel 检验作为首选。^{2323Confidence Limits for the Indirect Effect: Distribution of the Product and Resampling Methodsdoi.org前往参考资料 ↓在新标签页中打开}

Sobel 检验对中介效应是否显著给出的是「全或无」的二元判断，不提供效应量的区间估计；现代实践更倾向报告 ab 的点估计及其 bootstrap 置信区间，Sobel 检验多作为辅助或历史对照出现。^{2323Confidence Limits for the Indirect Effect: Distribution of the Product and Resampling Methodsdoi.org前往参考资料 ↓在新标签页中打开|1313Introduction to Mediation, Moderation, and Conditional Process Analysis: A Regression-Based Approach (3rd ed.)guilford.com前往参考资料 ↓在新标签页中打开}

在多重中介模型中，Sobel 检验可逐个检验各条特定间接效应 a_j·b_j，但无法直接给出总间接效应的有效检验，且各条路径检验之间不独立，需做多重比较校正。^{1313Introduction to Mediation, Moderation, and Conditional Process Analysis: A Regression-Based Approach (3rd ed.)guilford.com前往参考资料 ↓在新标签页中打开}

Sobel 检验在结构方程模型（SEM）框架下同样适用，此时 a、b 由极大似然估计得到，标准误可由 Delta 法或数值微分从信息矩阵导出；多数 SEM 软件（如 Mplus、lavaan）默认提供基于 Delta 法的间接效应标准误，其本质与 Sobel 检验一致。^{1313Introduction to Mediation, Moderation, and Conditional Process Analysis: A Regression-Based Approach (3rd ed.)guilford.com前往参考资料 ↓在新标签页中打开|3131lavaan: An R Package for Structural Equation Modelingdoi.org前往参考资料 ↓在新标签页中打开}

Sobel 检验不要求 a、b 同号；当 a 与 b 异号时 ab 为负，检验的是间接效应的方向与大小，但此时「中介」的实质解释需谨慎，因为抑制效应（suppression）与中介效应在统计形式上难以仅凭符号区分。^{77The Moderator-Mediator Variable Distinction in Social Psychological Research: Conceptual, Strategic, and Statistical Considerationsdoi.org前往参考资料 ↓在新标签页中打开|1313Introduction to Mediation, Moderation, and Conditional Process Analysis: A Regression-Based Approach (3rd ed.)guilford.com前往参考资料 ↓在新标签页中打开}

Sobel 检验的原始文献为 Sobel, M. E. (1982), "Asymptotic Confidence Intervals for Indirect Effects in Structural Equation Models", 载于 Sociological Methodology 第 13 卷，第 290—312 页。^{3030Asymptotic Confidence Intervals for Indirect Effects in Structural Equation Modelsjstor.org前往参考资料 ↓在新标签页中打开}

Bootstrap 置信区间是中介效应（间接效应）显著性检验中不依赖正态假设的一类方法，其基本做法是对样本进行有放回重抽样，在每次重抽样上重新估计间接效应 a×b（或 c−c′），由大量重抽样估计的经验分布构造置信区间；Shrout 与 Bolger（2002）系统提出了这一思路，Mallinckrodt 等（2006）将其整理为可操作的分步指南。^{3232APA PsycNETpsycnet.apa.org前往参考资料 ↓在新标签页中打开|3333Advances in testing the statistical significance of mediation effects.psycnet.apa.org前往参考资料 ↓在新标签页中打开}

Bootstrap 方法之所以被广泛采用，是因为间接效应的抽样分布通常并不对称、也不服从正态分布，而 Baron–Kenny 式的正态理论检验（Sobel 检验）以乘积项的正态近似为前提，模拟研究显示其统计功效低于 Bootstrap 等替代方案。^{3232APA PsycNETpsycnet.apa.org前往参考资料 ↓在新标签页中打开|3333Advances in testing the statistical significance of mediation effects.psycnet.apa.org前往参考资料 ↓在新标签页中打开}

在具体实现上，中介分析最常用的是配对 Bootstrap（paired bootstrap），即对观测数据整体（自变量、中介变量、因变量成组）做有放回重抽样；与之并列的还有残差 Bootstrap（residual bootstrap），后者显式利用 X→M→Y 的因果结构对残差重抽样，两者在有限样本下的表现并不相同。^{3434Moderating the Mediation Bootstrap for Causal Inferencear5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

常用的 Bootstrap 置信区间有三种构造方式：百分位法（percentile）、偏差校正法（bias-corrected, BC）和偏差校正加速法（bias-corrected and accelerated, BCa）；其中 BCa 通过引入偏度校正参数，在间接效应分布明显偏斜时通常被认为表现更稳健。^{3232APA PsycNETpsycnet.apa.org前往参考资料 ↓在新标签页中打开|3434Moderating the Mediation Bootstrap for Causal Inferencear5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

Bootstrap 并非中介检验的唯一替代方案：联合显著性检验（test of joint significance，即分别检验 a 路径与 b 路径是否显著）同样不依赖间接效应的正态假设，Mallinckrodt 等将其与正态理论法和 Bootstrap 并列介绍，作为可选的检验策略。^{3232APA PsycNETpsycnet.apa.org前往参考资料 ↓在新标签页中打开|3333Advances in testing the statistical significance of mediation effects.psycnet.apa.org前往参考资料 ↓在新标签页中打开}

Bootstrap 中介检验的实施要点包括：重抽样次数通常取 1000 次以上以保证区间端点稳定、需设定可复现的随机种子、并报告所用区间类型（百分位/BC/BCa）与置信水平，否则结果难以复现与比较。^{3232APA PsycNETpsycnet.apa.org前往参考资料 ↓在新标签页中打开}

联合显著性检验（joint-significance test，又称系数乘积检验的简单形式）是中介分析中最基础的检验策略之一：它分别检验 X→M 路径系数 a 与 M→Y 路径系数 b 是否显著，当且仅当两者同时显著时，判定间接效应 a×b 不为零。^{3535R: Joint-significance test for simple mediationsearch.r-project.org前往参考资料 ↓在新标签页中打开|3636Help for package ieTestcran.r-project.org前往参考资料 ↓在新标签页中打开}

在 R 语言的 JSmediation 包中，联合显著性检验由 mdt_simple() 函数实现，其文档明确说明该检验针对简单中介模型，检验的假设是 X 对 M 有影响（a）、M 对 Y 有影响（b），从而 X 通过 M 对 Y 产生间接效应。^{3535R: Joint-significance test for simple mediationsearch.r-project.org前往参考资料 ↓在新标签页中打开}

联合显著性检验在实现上常被称为 maxP 检验：其 p 值取 a 与 b 两个路径系数各自 p 值中的较大者，因此只有当两条路径都显著时，间接效应才被判为显著。^{3636Help for package ieTestcran.r-project.org前往参考资料 ↓在新标签页中打开}

ieTest 包的文档将联合显著性检验（maxP）与 Sobel 检验、正态随机变量乘积分布检验并列为线性回归中介分析中检验间接效应是否为零的既有方法，并指出 maxP 的检验力高于 Sobel 检验。^{3636Help for package ieTestcran.r-project.org前往参考资料 ↓在新标签页中打开}

联合显著性检验的检验力并非最优：ieTest 包文档指出，基于交集-并集理论的新方法（S 检验、ps 检验、递增平方检验）在一致性上比 maxP 更有检验力，而 maxP 又比 Sobel 检验更有检验力。^{3636Help for package ieTestcran.r-project.org前往参考资料 ↓在新标签页中打开}

联合显著性检验与 Sobel 检验、Bootstrap 法并列为中文心理学界系统梳理的中介效应检验方法；国内方法学研究（如温忠麟等）长期将联合显著性检验作为中介效应检验流程的组成部分加以讨论与比较。^{3737Methodological research on mediation effects in China’s mainlandjournal.psych.ac.cn前往参考资料 ↓在新标签页中打开}

因果中介分析的反事实框架把「自然直接效应」（NDE）与「自然间接效应」（NIE）定义为对反事实量的对比：NDE 比较的是在把中介变量固定为它在未暴露条件下本会取的值时，暴露对结局的效应；NIE 则是暴露通过改变中介变量而传递到结局的那部分效应。这一对定义使中介效应不再依赖线性结构方程的可加性假设，而可以用潜在结果记号写出。^{22一种新的针对多个中介变量的中介分析方法-A new mediation analysis method for multiple mediatorschinaepi.icdc.cn前往参考资料 ↓在新标签页中打开}

在反事实框架下，自然直接效应与自然间接效应的识别需要额外的「交叉世界」假设：即使在实际未暴露（或已暴露）的情形下，中介变量取另一暴露水平下的值，其与结局的关系仍须不受未测混杂影响。这一假设无法通过随机化暴露本身来保证，是因果中介分析与普通因果效应识别最关键的区别。^{22一种新的针对多个中介变量的中介分析方法-A new mediation analysis method for multiple mediatorschinaepi.icdc.cn前往参考资料 ↓在新标签页中打开}

当存在暴露—中介交互作用时，自然直接效应与自然间接效应之和不等于总效应，四向分解（受控直接效应、受控间接效应、自然直接效应、自然间接效应）成为必要的报告方式；这也是反事实框架相对传统逐步回归法的主要改进之一。^{22一种新的针对多个中介变量的中介分析方法-A new mediation analysis method for multiple mediatorschinaepi.icdc.cn前往参考资料 ↓在新标签页中打开}

针对多个中介变量的情形，已有研究在反事实框架与自然效应模型下提出新的中介分析方法，用于同时处理多个中介变量并分解其各自与联合的间接效应，发表于《中华流行病学杂志》2019 年第 40 卷。^{22一种新的针对多个中介变量的中介分析方法-A new mediation analysis method for multiple mediatorschinaepi.icdc.cn前往参考资料 ↓在新标签页中打开}

在组学与纵向场景中，反事实中介框架被用于检验 DNA 甲基化是否中介「创伤暴露→创伤后应激障碍」的通路；此类应用通常在线性结构方程模型（LSEM）中同时纳入暴露、中介与结局，并显式考虑治疗前混杂因素。^{3838正在检查您的浏览器 - reCAPTCHApmc.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

因果中介分析把直接效应与间接效应定义为潜在结局之间的对比，而不是线性回归系数的乘积；自然直接效应（natural direct effect, NDE）与自然间接效应（natural indirect effect, NIE）正是在这一潜在结局框架下给出的定义，因而可以应用于含二值中介与二值结局的模型。^{4141Statistical Mediation Analysis for Models with a Binary Mediator and a Binary Outcome: the Differences Between Causal and Traditional Mediation Analysislink.springer.com前往参考资料 ↓在新标签页中打开}

自然直接效应与自然间接效应的标准表述采用嵌套的反事实：NDE 固定中介在「若暴露取对照值时所自然取到的水平」上、只改变暴露；NIE 固定暴露在某一取值上、只让中介从对照条件下的自然取值变为暴露条件下的自然取值。两者之和在无交互的线性情形下等于总效应，在含交互的非线性情形下则不等于。^{3939Semiparametric Estimation for Causal Mediation Analysis with Multiple Causally Ordered Mediatorsar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开|4141Statistical Mediation Analysis for Models with a Binary Mediator and a Binary Outcome: the Differences Between Causal and Traditional Mediation Analysislink.springer.com前往参考资料 ↓在新标签页中打开}

在多重、按因果顺序排列的中介（K≥1 个中介）设定下，自然直接效应与自然/总间接效应被视为路径特异性效应（path-specific effects）的特例；Zhou 的工作把 NDE、NIE/TIE 作为受约束的因果估计量纳入统一的半参数估计框架。^{3939Semiparametric Estimation for Causal Mediation Analysis with Multiple Causally Ordered Mediatorsar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

自然直接效应与自然间接效应的非参数识别依赖一组较强的假设，其中关键的一条是「交叉世界独立性」：中介—结局关系不受暴露取值影响，即不存在受暴露影响的 mediator-outcome 混杂因素。这一假设在观察性研究中往往无法检验，也无法通过随机化暴露来保证。^{40401Introductionar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开|4141Statistical Mediation Analysis for Models with a Binary Mediator and a Binary Outcome: the Differences Between Causal and Traditional Mediation Analysislink.springer.com前往参考资料 ↓在新标签页中打开}

由于对中介施加直接干预在实践中常常不可行，中介—结局间的未测量混杂几乎无法排除，这构成自然直接/间接效应识别的主要威胁；Sun 与 Ye 提出利用观测数据律上的异方差限制，在中介—结局存在未测量混杂时仍可半参数识别自然直接效应与自然间接效应。^{40401Introductionar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

在二值中介与二值结局的情形下，传统中介分析（以线性回归系数定义直接/间接效应）与因果中介分析给出的自然直接/间接效应并不等价，前者在非线性模型中可能给出无意义甚至方向相反的分解，这是推动因果中介框架发展的重要动因之一。^{4141Statistical Mediation Analysis for Models with a Binary Mediator and a Binary Outcome: the Differences Between Causal and Traditional Mediation Analysislink.springer.com前往参考资料 ↓在新标签页中打开}

序贯可忽略性（sequential ignorability）是因果中介分析的核心识别假设，由 Imai、Keele 与 Tingley 在 2010 年发表于《Psychological Methods》的论文中系统提出并命名。该假设包含两部分：其一，在给定观测到的处理前协变量后，处理分配是 ignorable 的；其二，在给定处理状态与观测到的处理前协变量后，中介变量也是 ignorable 的。^{4242A General Approach to Causal Mediation Analysisdoi.org前往参考资料 ↓在新标签页中打开}

序贯可忽略性假设的正式表述为：给定协变量 X，处理 T 独立于潜在结果 {Y(t,m), M(t)}；并且给定 X 与 T=t，中介变量 M 独立于潜在结果 Y(t,m)。第二条通常被称为「给定处理与协变量后中介变量可忽略」，是比第一条更强、也更难满足的假设。^{4242A General Approach to Causal Mediation Analysisdoi.org前往参考资料 ↓在新标签页中打开|1919Mediation Analysis: A Practitioner's Guidedoi.org前往参考资料 ↓在新标签页中打开}

在序贯可忽略性下，自然直接效应与自然间接效应可由观测数据分布唯一识别，识别公式为对协变量与中介变量取期望的 g-formula 形式；Imai 等给出的中介效应估计量即建立在该识别结果之上。^{4242A General Approach to Causal Mediation Analysisdoi.org前往参考资料 ↓在新标签页中打开|4343Identifiability and Exchangeability for Direct and Indirect Effectsdoi.org前往参考资料 ↓在新标签页中打开}

序贯可忽略性中最受质疑的是「不存在未观测的中介—结果混杂」这一条：它要求中介变量 M 与结果 Y 之间不存在同时影响二者的未观测变量。在观察性研究中，这一条通常无法由数据检验，只能依赖领域知识做敏感性分析。^{4242A General Approach to Causal Mediation Analysisdoi.org前往参考资料 ↓在新标签页中打开|4444Sensitivity Analysis for Causal Mediation Effectsdoi.org前往参考资料 ↓在新标签页中打开}

Imai、Keele 与 Tingley 提出了针对序贯可忽略性违背的敏感性分析框架：以中介—结果关系中未观测混杂的相关系数 ρ 为参数，报告在不同 ρ 取值下平均因果中介效应的估计值，并给出使中介效应变为零的临界 ρ 值。^{4242A General Approach to Causal Mediation Analysisdoi.org前往参考资料 ↓在新标签页中打开|4545mediation: R Package for Causal Mediation Analysisdoi.org前往参考资料 ↓在新标签页中打开}

序贯可忽略性假设在随机化实验中也未必成立：即使处理被随机分配，中介变量通常不是随机分配的，因此中介—结果关系仍可能存在未观测混杂。这是「随机化处理不能保证中介效应可识别」这一结论的核心依据。^{4242A General Approach to Causal Mediation Analysisdoi.org前往参考资料 ↓在新标签页中打开|4444Sensitivity Analysis for Causal Mediation Effectsdoi.org前往参考资料 ↓在新标签页中打开}

针对序贯可忽略性过强的问题，VanderWeele、Vansteelandt 与 Robins 等发展了基于交叉世界干预（cross-world intervention）的替代识别策略，以及不依赖该假设的「中介公式」与随机干预效应（interventional effects）框架；这些方法以改变 estimand 定义为代价换取更弱的识别条件。^{4646Odds Ratios for Mediation Analysis for a Dichotomous Outcomedoi.org前往参考资料 ↓在新标签页中打开|4747Interventional Effects for Mediation Analysis with Multiple Mediatorsdoi.org前往参考资料 ↓在新标签页中打开}

序贯可忽略性假设与 因果中介分析 中的四向分解（controlled direct effect、natural direct effect、natural indirect effect、交互效应）紧密相关：只有在序贯可忽略性成立时，自然直接效应与自然间接效应之和才等于总效应，四向分解才具有因果解释。^{4343Identifiability and Exchangeability for Direct and Indirect Effectsdoi.org前往参考资料 ↓在新标签页中打开|4646Odds Ratios for Mediation Analysis for a Dichotomous Outcomedoi.org前往参考资料 ↓在新标签页中打开}

中介—结局混杂（mediator–outcome confounding）指存在同时影响中介变量 M 与结局变量 Y 的未观测共同原因，在因果图（DAG）上表现为指向 M 和 Y 的箭头。若该混杂未被调整，则即使暴露—中介与中介—结局两条路径各自无偏，自然间接效应（NIE）与自然直接效应（NDE）的估计仍会有偏。^{4848Mediation Analysis: A Practitioner's Guideannualreviews.org前往参考资料 ↓在新标签页中打开}

在反事实框架下，识别自然直接效应与自然间接效应需要四组无混杂假设：暴露—结局、暴露—中介、中介—结局无未控制混杂，且不存在受暴露影响的 mediator–outcome 混杂因素。VanderWeele 与 Vansteelandt 指出，中介—结局无混杂这一条在观察性研究中通常无法用数据检验，只能依赖领域知识论证。^{4848Mediation Analysis: A Practitioner's Guideannualreviews.org前往参考资料 ↓在新标签页中打开|4949Mediation Analysis with Multiple Mediatorsdegruyter.com前往参考资料 ↓在新标签页中打开}

中介—结局混杂与「暴露—中介交互」不同：前者是 M 与 Y 的共同原因，后者是 A 对 M→Y 效应的修饰。二者在公式中都以乘积项出现，容易被混淆，但只有前者会破坏 NIE 的可识别性；在含交互的模型中，控制中介—结局混杂后仍需单独报告交互项。^{4848Mediation Analysis: A Practitioner's Guideannualreviews.org前往参考资料 ↓在新标签页中打开|5050Concepts of Mediation and Interaction: Definitions and Methodsjournals.lww.com前往参考资料 ↓在新标签页中打开}

当存在中介—结局混杂时，传统 Baron–Kenny 逐步回归法与 Sobel 检验不会给出任何警告，仍会输出看似显著的中介比例；这是 因果中介分析 与 经典检验方法 在小节划分上必须分开处理的原因。^{5151Mediation Analysis: A Review and Some New Developmentsannualreviews.org前往参考资料 ↓在新标签页中打开}

针对中介—结局混杂，文献给出三类应对策略：一是在研究中直接测量并调整该混杂（如同时测量 M 与 Y 的共同原因）；二是采用工具变量或负对照（negative control）结果变量做敏感性分析；三是改用仅依赖「暴露—中介无混杂」的随机干预效应（interventional effect）或可分离效应（separable effect），以放宽对 mediator–outcome 无混杂的要求。^{4949Mediation Analysis with Multiple Mediatorsdegruyter.com前往参考资料 ↓在新标签页中打开|5252Causal Mediation Analysisprojecteuclid.org前往参考资料 ↓在新标签页中打开|5353Interventional Effects for Mediation Analysis with Multiple Mediatorsjournals.lww.com前往参考资料 ↓在新标签页中打开}

VanderWeele 提出的中介分析敏感性分析（mediator–outcome confounding sensitivity analysis）通过设定一个未观测混杂 U 与 M、Y 的关联强度参数，计算在给定强度下 NIE 或 NDE 需要被「抵消」多少才能归零，从而报告「结论稳健所需的混杂强度」。该方法已在 R 包 medsens 与 SAS 宏 %mediation 中实现。^{5454Sensitivity Analysis for Direct and Indirect Effects in the Presence of Unmeasured Confoundingjournals.lww.com前往参考资料 ↓在新标签页中打开|5555medsens: Sensitivity Analysis for Mediation (R package documentation)cran.r-project.org前往参考资料 ↓在新标签页中打开}

在存在中介—结局混杂时，中介比例（proportion mediated）的估计尤其不稳定：即使 NIE 与 NDE 各自方向正确，二者之比也可能因分母接近零而剧烈波动，甚至落在 [0,1] 之外。因此多篇方法学文献建议同时报告 NIE 与 NDE 的绝对量，而非仅报告中介比例。^{5151Mediation Analysis: A Review and Some New Developmentsannualreviews.org前往参考资料 ↓在新标签页中打开|5656Proportion Mediated: A Review and Critiquelink.springer.com前往参考资料 ↓在新标签页中打开}

在 多重中介与复杂设计 中，中介—结局混杂问题会随中介个数增加而放大：每个中介都可能与结局共享未观测原因，且中介之间还可能互为混杂，使可识别性假设更难满足；此时需借助联合敏感性分析或对中介间相关结构建模。^{5252Causal Mediation Analysisprojecteuclid.org前往参考资料 ↓在新标签页中打开|5959High-Dimensional Mediation Analysis: A Reviewacademic.oup.com前往参考资料 ↓在新标签页中打开}

在 高维与组学中介分析 中，中介变量（如基因表达、代谢物）数量常达数千至上万，逐一检验中介—结局混杂不现实；现有做法是对高维中介施加稀疏或低秩结构假设，并在敏感性分析中引入组水平混杂参数，但这一方向的方法学仍不成熟。^{5959High-Dimensional Mediation Analysis: A Reviewacademic.oup.com前往参考资料 ↓在新标签页中打开|6060Sparse Mediation Analysis for High-Dimensional Omics Dataacademic.oup.com前往参考资料 ↓在新标签页中打开}

随机干预效应（interventional effect）与可分离效应（separable effect）是两类放宽中介—结局无混杂假设的替代 estimand：前者只需对暴露—中介与暴露—结局无混杂，后者进一步允许 M 与 Y 之间存在未观测共同原因，代价是估计目标不再是经典 NIE。^{5353Interventional Effects for Mediation Analysis with Multiple Mediatorsjournals.lww.com前往参考资料 ↓在新标签页中打开|6161Separable Effects for Causal Inference in the Presence of Competing Eventstandfonline.com前往参考资料 ↓在新标签页中打开}

在 软件与实现 层面，R 的 mediation 包提供基于敏感性分析的 mediator–outcome 混杂诊断，lavaan 与 sem 工具则主要面向结构方程模型，对因果中介—结局混杂不提供内置敏感性分析；使用者需自行调用 medsens 或 Python 的 pingouin 等补充工具。^{5454Sensitivity Analysis for Direct and Indirect Effects in the Presence of Unmeasured Confoundingjournals.lww.com前往参考资料 ↓在新标签页中打开|6262mediation: R Package for Causal Mediation Analysisjstatsoft.org前往参考资料 ↓在新标签页中打开}

并行多重中介（parallel multiple mediation）指模型中存在两个或以上中介变量，它们彼此之间不被假设为因果相继关系，而是各自独立地把自变量 X 的影响传递到因变量 Y；在路径图上表现为 X 同时指向 M1、M2、…、Mk，各 Mi 再分别指向 Y。^{99Beyond Baron and Kenny: Statistical Mediation Analysis in the New Millenniumdoi.org前往参考资料 ↓在新标签页中打开}

序列多重中介（serial multiple mediation）指中介变量之间存在先后因果次序，例如 X→M1→M2→Y，此时 M1 对 Y 的效应既包含直接路径 M1→Y，也包含经由 M2 的间接路径 M1→M2→Y；Hayes 的 PROCESS 宏以模型 6 作为三 mediator 序列中介的标准模板。^{99Beyond Baron and Kenny: Statistical Mediation Analysis in the New Millenniumdoi.org前往参考资料 ↓在新标签页中打开|1313Introduction to Mediation, Moderation, and Conditional Process Analysis: A Regression-Based Approach (3rd ed.)guilford.com前往参考资料 ↓在新标签页中打开}

在并行多重中介中，总间接效应等于各条特定间接效应之和；因此研究者通常报告「总间接效应」以及每条「特定间接效应」（specific indirect effect），而不是只报告一个笼统的中介效应，否则会掩盖不同中介路径方向相反、相互抵消的情形。^{99Beyond Baron and Kenny: Statistical Mediation Analysis in the New Millenniumdoi.org前往参考资料 ↓在新标签页中打开|88Asymptotic and Resampling Strategies for Assessing and Comparing Indirect Effects in Multiple Mediator Modelsdoi.org前往参考资料 ↓在新标签页中打开}

Preacher 与 Hayes（2008）提出的「渐近再抽样」（asymptotic resampling）检验，是并行多重中介中同时检验多条特定间接效应的经典方法：它通过对间接效应的联合抽样分布做 bootstrap，构造各特定间接效应的置信区间，并支持对任意两条间接效应之差做对比检验。^{88Asymptotic and Resampling Strategies for Assessing and Comparing Indirect Effects in Multiple Mediator Modelsdoi.org前往参考资料 ↓在新标签页中打开}

对特定间接效应的推断普遍采用偏差校正（bias-corrected）或百分位 bootstrap 置信区间，而非 Sobel 正态近似；原因是间接效应为两个系数之积，其抽样分布明显偏态，正态近似在小样本下覆盖率不足。^{99Beyond Baron and Kenny: Statistical Mediation Analysis in the New Millenniumdoi.org前往参考资料 ↓在新标签页中打开|88Asymptotic and Resampling Strategies for Assessing and Comparing Indirect Effects in Multiple Mediator Modelsdoi.org前往参考资料 ↓在新标签页中打开}

当多个中介变量高度相关时，并行多重中介中「哪条路径更重要」的排序会变得不稳定：特定间接效应的点估计可能因加入或剔除另一个中介而大幅变动，因此报告各中介之间的相关矩阵与共线性诊断是必要的稳健性步骤。^{99Beyond Baron and Kenny: Statistical Mediation Analysis in the New Millenniumdoi.org前往参考资料 ↓在新标签页中打开|88Asymptotic and Resampling Strategies for Assessing and Comparing Indirect Effects in Multiple Mediator Modelsdoi.org前往参考资料 ↓在新标签页中打开}

复杂设计下的多重中介还包括：带调节的中介（moderated mediation，即条件间接效应随调节变量取值变化）、多层/嵌套数据中的中介（如学生嵌套于班级）、以及纵向/交叉滞后面板中的中介；这些设计需要多层模型或结构方程模型来正确分解组内与组间效应。^{1313Introduction to Mediation, Moderation, and Conditional Process Analysis: A Regression-Based Approach (3rd ed.)guilford.com前往参考资料 ↓在新标签页中打开|6464Multilevel Mediation Modelingdoi.org前往参考资料 ↓在新标签页中打开}

在多层数据中把组内与组间中介效应混为一谈是常见错误：自变量的组间成分与组内成分可能对应完全不同的中介机制，需要做组均值中心化并分别建模（即多层中介模型），否则间接效应估计不可解释。^{6464Multilevel Mediation Modelingdoi.org前往参考资料 ↓在新标签页中打开}

对于含潜变量的多重中介，结构方程模型（SEM）可同时估计测量模型与多条中介路径，并允许中介变量含测量误差；相比把量表总分直接代入回归，SEM 能减轻衰减偏倚，但需要更大的样本量以支撑模型收敛。^{1313Introduction to Mediation, Moderation, and Conditional Process Analysis: A Regression-Based Approach (3rd ed.)guilford.com前往参考资料 ↓在新标签页中打开}

序列多重中介的路径数量随中介个数呈组合式增长：k 个按序排列的中介可产生 2^k−1 条从 X 到 Y 的间接路径（含不同长度的子序列），因此中介个数稍多时模型复杂度与检验多重性负担迅速上升，实践中常需借助正则化或路径剪枝。^{99Beyond Baron and Kenny: Statistical Mediation Analysis in the New Millenniumdoi.org前往参考资料 ↓在新标签页中打开|6565Regularized Multiple Mediation Analysisdoi.org前往参考资料 ↓在新标签页中打开}

并行与序列并非互斥：实际研究常采用「部分并行、部分序列」的混合结构（如 X→M1→M2→Y 同时 X→M3→Y），此时应依据理论而非数据驱动来确定哪些中介之间设因果箭头，否则等价模型的拟合优度无法区分方向。^{99Beyond Baron and Kenny: Statistical Mediation Analysis in the New Millenniumdoi.org前往参考资料 ↓在新标签页中打开|1313Introduction to Mediation, Moderation, and Conditional Process Analysis: A Regression-Based Approach (3rd ed.)guilford.com前往参考资料 ↓在新标签页中打开}

有调节的中介（moderated mediation）指中介效应的强度（即间接效应的大小）随第三个变量（调节变量）的取值而变化的情形；在路径图上表现为 a 路径、b 路径或两者同时受到调节变量 W 的影响，从而条件间接效应成为 W 的函数。^{6666Addressing Moderated Mediation Hypotheses: Theory, Methods, and Prescriptionsdoi.org前往参考资料 ↓在新标签页中打开|6767Moderated Mediation and Mediated Moderationdoi.org前往参考资料 ↓在新标签页中打开}

Preacher、Rucker 与 Hayes 于 2007 年提出用「条件间接效应」（conditional indirect effect）刻画有调节的中介：间接效应 a(W)·b(W) 在调节变量取不同值（通常为均值及均值±1 个标准差）时分别估计，并给出其抽样分布与置信区间，从而把「中介是否显著」推广为「在 W 的哪些取值上中介显著」。^{6666Addressing Moderated Mediation Hypotheses: Theory, Methods, and Prescriptionsdoi.org前往参考资料 ↓在新标签页中打开}

Hayes 的 PROCESS 宏把有调节的中介拆成若干编号模型（如模型 7 为 a 路径被调节、模型 14 为 b 路径被调节、模型 58 为 a 与 b 路径同时被调节、模型 8 与模型 15 为同时含调节与中介的三变量条件过程模型），并输出条件间接效应表与「索引」（index of moderated mediation）。^{1313Introduction to Mediation, Moderation, and Conditional Process Analysis: A Regression-Based Approach (3rd ed.)guilford.com前往参考资料 ↓在新标签页中打开}

Hayes（2015）提出的「调节中介索引」（index of moderated mediation）等于条件间接效应随调节变量变化的斜率，即对 a(W)·b(W) 关于 W 求导；其检验为单一自由度，若索引显著异于零，则说明间接效应确实随 W 线性变化，比逐点比较条件间接效应更简洁、更有检验力。^{6868An Index and Test of Linear Moderated Mediationdoi.org前往参考资料 ↓在新标签页中打开}

在因果中介分析框架下，有调节的中介被表述为「暴露—中介—结局」路径上的效应修饰：以反事实定义的自然间接效应（NIE）与自然直接效应（NDE）可以写成调节变量取值的函数，从而在四类无混杂假设之外，还需假定调节变量不参与混杂、且与中介—结局的混杂因素独立，才能识别条件间接效应。^{6969Marginal Structural Models for the Estimation of Direct and Indirect Effectsdoi.org前往参考资料 ↓在新标签页中打开|1818Explanation in Causal Inference: Methods for Mediation and Interactionglobal.oup.com前往参考资料 ↓在新标签页中打开}

Edwards 与 Lambert（2007）提出用「广义线性模型 + 偏差校正 bootstrap」统一处理有调节的中介，并强调当调节变量为连续变量时，应报告「间接效应随 W 变化的整条曲线」而非仅在均值±1 标准差三点上做显著性判断，以避免把连续调节误读为分组差异。^{7171Methods for Integrating Moderation and Mediation: A General Analytical Framework Using Moderated Path Analysisdoi.org前往参考资料 ↓在新标签页中打开}

在多层/嵌套数据（如学生嵌套于班级、患者嵌套于医院）中，有调节的中介需用多层结构方程模型（MSEM）处理：将 a、b 路径及调节效应分解为组内与组间成分，若忽略嵌套结构，条件间接效应的标准误会被低估，导致假阳性率上升。^{7272Multilevel Modeling of Moderated Mediationdoi.org前往参考资料 ↓在新标签页中打开}

在实验设计中检验有调节的中介，常用「调节变量随机化 + 中介变量测量」的 2×2 或 2×2×2 因子设计：通过随机分配调节变量水平，可在不依赖「调节变量外生」假设的情况下识别条件间接效应，但中介变量仍须满足序贯可忽略性。^{7474Experimental Designs for Testing Moderated Mediationdoi.org前往参考资料 ↓在新标签页中打开}

有调节的中介与「被调节的中介」（mediated moderation）常被混用，但二者不同：前者关注间接效应随 W 变化，后者关注总体处理效应中的交互成分是否由中介变量传递；同一数据可能同时支持其中一种而不支持另一种，报告时应明确区分。^{6767Moderated Mediation and Mediated Moderationdoi.org前往参考资料 ↓在新标签页中打开|7575Mediated Moderation versus Moderated Mediation: A Conceptual and Statistical Clarificationdoi.org前往参考资料 ↓在新标签页中打开}

样本量与检验力方面，有调节的中介所需样本量通常远大于简单中介：模拟研究表明，在中等效应量（a、b、交互项路径系数约 0.3）下，若要有 0.8 的检验力检测索引显著性，所需样本量常在数百量级，且随调节变量与中介变量的相关升高而进一步增大。^{7676Sample Size and Power for Moderated Mediation: A Monte Carlo Studydoi.org前往参考资料 ↓在新标签页中打开}

多层中介模型（multilevel mediation model）用于处理嵌套结构数据——如学生嵌套于班级、患者嵌套于医院、重复测量嵌套于个体——其中中介变量 M 与结果变量 Y 可能同时受个体层（level-2）与观测层（level-1）因素影响。经典处理框架由 Krull 与 MacKinnon（1999, 2001）系统提出，区分了 2-1-1、2-2-1、1-1-1 等不同层级组合的中介效应，并指出不同组合下 a 路径与 b 路径的分解方式不同。^{7777Multilevel Mediation Modeling in Group-Based Intervention Studiesjournals.sagepub.com前往参考资料 ↓在新标签页中打开}

在多层中介中，必须区分「组内中介效应」（within-level mediation）与「组间中介效应」（between-level mediation）。Preacher、Zyphur 与 Zhang（2010）指出，若忽略层级而将多层数据按单层模型拟合，标准误会被低估、组间与组内效应会被混淆，导致中介效应检验的 I 类错误率膨胀。他们建议使用多层结构方程模型（MSEM）同时估计两个层级的间接效应。^{7878A General Multilevel SEM Framework for Assessing Multilevel Mediationpubmed.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

多层中介的组间间接效应在小样本组数（如组数少于 50）时，基于正态近似的 Sobel 检验表现不佳；Preacher 与 Selig（2012）建议采用偏差校正的蒙特卡洛置信区间或参数 bootstrap 来构造组间间接效应的区间估计，因为组间效应的抽样分布在小 J 情形下明显偏态。^{7979Advantages of Monte Carlo Confidence Intervals for Indirect Effectstandfonline.com前往参考资料 ↓在新标签页中打开}

在密集追踪的 1-1-1 设计中，若将预测变量 X、中介变量 M 与结果变量 Y 都做个体内中心化（person-mean centering），则所得 a、b 路径反映的是「同一时点或跨时点的个体内波动」关系；若不做中心化，则估计的是个体间差异关系。MacKinnon 等强调中心化选择直接决定间接效应的解释对象，误用会导致实质性结论错误。^{8080Mediation Analysis in Intensive Longitudinal Dataannualreviews.org前往参考资料 ↓在新标签页中打开}

多层结构方程模型（MSEM）框架下，多层中介的间接效应可分解为组间间接效应与组内间接效应之和（总间接效应），但两者之和并不等于按单层模型估计的间接效应；Preacher、Zyphur 与 Zhang（2010）给出了两种分解的代数关系，并强调报告时应分别呈现而非只报总和。^{7878A General Multilevel SEM Framework for Assessing Multilevel Mediationpubmed.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

对于密集追踪数据中的 1-1-1 中介，Kenny 与 Judd（2014）提出「组内间接效应」的估计需使用组内中心化后的 a 路径与 b 路径乘积，并指出若 a 路径与 b 路径的组内变异比例不同，组内间接效应可能远小于按原始尺度计算的间接效应，因此报告效应量时应同时给出组内与组间方差成分。^{8282Power Anomalies in Testing Mediationpubmed.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

多层中介分析中，组数（number of clusters）而非总样本量是决定组间效应估计精度的关键。模拟研究表明，组数少于 30 时组间间接效应的 bootstrap 区间覆盖率明显低于名义水平；组数达到 50 以上时偏差校正 bootstrap 表现较为稳健。^{7979Advantages of Monte Carlo Confidence Intervals for Indirect Effectstandfonline.com前往参考资料 ↓在新标签页中打开}

密集追踪数据的中介分析常借助动态结构方程模型（DSEM）处理自相关与个体间异质性；Asparouhov、Hamaker 与 Muthén（2018）将 DSEM 扩展到随机效应中介模型，允许 a、b 路径在个体间随机变化，从而估计「个体特异性间接效应」的分布而非仅一个总体均值。^{8383Dynamic Structural Equation Modelstandfonline.com前往参考资料 ↓在新标签页中打开}

在多层与密集追踪中介分析中，缺失数据极为常见（如某次 ESM 未响应）。若缺失与中介变量或结果变量相关（MNAR），完整案例分析会产生偏倚；多重插补需在考虑层级结构的前提下进行（如以组为单位的插补模型），否则会低估组间方差。^{8484Missing Data in Multilevel and Intensive Longitudinal Designstandfonline.com前往参考资料 ↓在新标签页中打开}

多层中介模型的软件实现方面，R 的 lme4 与 nlme 可拟合多层线性模型但需手动构造间接效应的 bootstrap；lavaan 支持多层 SEM 与组间/组内间接效应的 delta 法与 bootstrap 区间；Mplus 则提供 DSEM 与随机效应中介的直接实现。^{8585lavaan: An R Package for Structural Equation Modelingjstatsoft.org前往参考资料 ↓在新标签页中打开}

高维中介变量指中介变量个数 p 与样本量 n 同阶甚至远大于 n 的情形，典型来源是代谢组学、转录组学、DNA 甲基化组、微生物组等高通量组学平台一次测量产生的成百上千个候选中介物；此时经典的中介效应乘积法（a×b）与 Sobel 检验因维数灾难、多重检验与共线性而失效，需要专门的变量选择与降维策略。^{8686NSTL国家科技图书文献中心nstl.gov.cn前往参考资料 ↓在新标签页中打开}

HIMA（High-dimensional Mediation Analysis，Zheng 等提出）是高维中介分析中被引用最多的方法之一：它先用惩罚回归（如 MCP、LASSO、SCAD）从中介变量中筛选出与结局相关的子集，再对入选的中介物做联合显著性检验，并通过 BH 等多重检验校正控制错误发现率（FDR）。^{8686NSTL国家科技图书文献中心nstl.gov.cn前往参考资料 ↓在新标签页中打开}

HDMA（High-Dimensional Mediation Analysis）是另一条主流技术路线，其核心是把中介效应的检验转化为对「暴露—中介—结局」路径系数的降维联合检验，常与主成分、偏最小二乘或降维投影结合，从而在 p≫n 时仍能给出整体中介效应的检验与效应量估计。^{8686NSTL国家科技图书文献中心nstl.gov.cn前往参考资料 ↓在新标签页中打开}

Hoffman、Liang 等发表于《Environmental Science & Technology》（2026 年，第 60 卷第 2 期，1913–1923 页）的模拟研究系统评估了 HIMA 与 HDMA 在高维中介场景下的表现，考察因素包括低效应量（low beta）、小样本量、高维中介结构、真实中介物比例以及不同中介情景。^{8686NSTL国家科技图书文献中心nstl.gov.cn前往参考资料 ↓在新标签页中打开}

该模拟研究显示，在低效应量与小样本的双重压力下，高维中介方法的敏感度（检出真实中介物的能力）明显下降，但特异度仍维持在约 90% 的高水平——即方法倾向于「漏检」而非「误检」，这一敏感度—特异度不对称是高维中介筛选的典型特征。^{8686NSTL国家科技图书文献中心nstl.gov.cn前往参考资料 ↓在新标签页中打开}

高维中介分析在环境流行病学与组学研究中常与「中间相遇」（meet-in-the-middle）设计结合：先在全组学范围内筛选与暴露相关的中介物，再检验其与结局的关联，以缩小搜索空间并降低多重比较负担。^{8686NSTL国家科技图书文献中心nstl.gov.cn前往参考资料 ↓在新标签页中打开}

测量误差是高维中介分析中不可回避的问题：组学指标（如代谢物浓度、甲基化 β 值）普遍带有经典或非经典测量误差，直接代入会使中介效应估计产生衰减偏倚；Yang、Wang 等 2026 年发表于《Statistics and Computing》的工作提出双重去偏（doubly debiased）推断框架，在高维中介模型中同时校正测量误差与高维混杂，并给出渐近正态的检验统计量。^{8686NSTL国家科技图书文献中心nstl.gov.cn前往参考资料 ↓在新标签页中打开}

高维中介分析中「先筛选、后检验」的两阶段流程存在选择后推断（post-selection inference）问题：若把惩罚回归选出的变量直接当作已知中介物做普通显著性检验，p 值与置信区间会偏乐观，因此需要去偏、样本分裂或选择性推断等修正手段。^{8686NSTL国家科技图书文献中心nstl.gov.cn前往参考资料 ↓在新标签页中打开}

高维中介分析的结果解释需谨慎：即便统计上检出显著中介物，其效应量往往很小，单个中介物解释的中介比例有限，因此更合理的表述是「多条通路共同承担中介作用」，而非把某一代谢物或基因当作唯一机制。^{8686NSTL国家科技图书文献中心nstl.gov.cn前往参考资料 ↓在新标签页中打开}

在高维组学中介分析中，中介变量（如基因表达、DNA 甲基化位点、代谢物）之间通常高度相关，且数量远超样本量；这种相关性会使逐个中介变量单独检验的边际方法产生大量假阳性，并使效应估计不稳定。^{8787HIMA: High-dimensional mediation analysisacademic.oup.com前往参考资料 ↓在新标签页中打开|8888High-dimensional mediation analysis with de-biased Lassopmc.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

Huang 与 Pan 提出的「基于成分的高维中介分析」（HIMA）用惩罚回归（如 MCP/SCAD）在暴露—中介、中介—结局两个方程中同时做变量选择，再对选中的中介变量做联合显著性检验，从而在存在相关性的高维中介集合中控制错误发现。^{8787HIMA: High-dimensional mediation analysisacademic.oup.com前往参考资料 ↓在新标签页中打开}

Zhang 等提出的「高维多重中介分析」（HIMA 的后续工作，常称 HDMA）把中介效应的检验转化为对「暴露—中介」与「中介—结局」两组回归系数的联合检验，并借助 de-biased Lasso（去偏 Lasso）构造渐近正态的检验统计量，从而在控制多重检验的同时给出置信区间。^{8888High-dimensional mediation analysis with de-biased Lassopmc.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

当多个中介变量彼此相关时，把它们当作相互独立的中介分别检验会重复计数共享的方差，导致「总间接效应」被高估；基于联合模型的多元中介分析（multivariate mediation）通过同时建模多个中介变量之间的协方差来分解直接效应与间接效应。^{8989Multivariate mediation analysispsycnet.apa.org前往参考资料 ↓在新标签页中打开}

在组学中介分析中，控制多重检验的常用手段包括 Benjamini–Hochberg 错误发现率（FDR）控制与 Bonferroni 校正；但由于中介变量之间存在相关性，独立假设下的 BH 程序偏保守，实践中常改用依赖结构下的 FDR 程序（如 Benjamini–Yekutieli）或基于置换的零分布。^{9090Controlling the false discovery rate in mediation analysispmc.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开|9191DNA methylation mediation analysis and regional aggregationpmc.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

基于置换（permutation）的检验被广泛用于高维中介分析，因为它能在不假定中介变量独立、也不假定检验统计量渐近正态的情况下，给出联合零假设（所有间接效应为零）的经验 p 值；但其计算成本随中介变量数量与置换次数线性增长。^{8888High-dimensional mediation analysis with de-biased Lassopmc.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开|9090Controlling the false discovery rate in mediation analysispmc.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

对于相关的中介变量，主成分分析（PCA）或因子分析常被用来先把高维中介降维为少数几个正交成分，再在成分层面做中介分析；代价是成分的生物学可解释性下降，且单个中介变量的效应会被混合。^{8989Multivariate mediation analysispsycnet.apa.org前往参考资料 ↓在新标签页中打开|9292Comparison of high-dimensional mediation methods under correlated mediatorsacademic.oup.com前往参考资料 ↓在新标签页中打开}

组学中介分析中，中介变量之间的相关往往来自共同的生物学通路或批次效应；若不显式建模这种相关结构（例如用混合模型或相关随机效应），多重检验的零分布会被错误设定，进而影响 FDR 估计。^{9090Controlling the false discovery rate in mediation analysispmc.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开|9191DNA methylation mediation analysis and regional aggregationpmc.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

在 DNA 甲基化中介分析中，相邻 CpG 位点高度相关，常被合并为「差异甲基化区域」（DMR）后再作为区域级中介变量检验，以减少检验次数并缓解位点间的相关性问题。^{9191DNA methylation mediation analysis and regional aggregationpmc.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

基于基因组限制最大似然（genome-wide restricted maximum likelihood，GREML）的中介分析，其核心思路是把中介变量与结局变量同时视为由大量遗传标记（SNP）共同解释的随机效应，用限制最大似然在混合线性模型框架下估计「暴露→中介」「中介→结局」以及「暴露→结局」的遗传方差与协方差分量，再据此构造遗传中介效应。^{9393GCTA: a tool for genome-wide complex trait analysiscell.com前往参考资料 ↓在新标签页中打开|9494A genome-wide association study of genetic mediation identifies pathways from educational attainment to health outcomesnature.com前往参考资料 ↓在新标签页中打开}

该方法通常建立在基因组关系矩阵（genomic relationship matrix，GRM）之上：用全基因组 SNP 计算个体间遗传相似度，把表型方差分解为遗传与非遗传两部分，从而避免把单个 SNP 当作固定效应逐一检验，这是它能处理「高维中介」的关键。^{9393GCTA: a tool for genome-wide complex trait analysiscell.com前往参考资料 ↓在新标签页中打开|9595OSCA: a tool for omic-data-based complex trait analysisgenomebiology.biomedcentral.com前往参考资料 ↓在新标签页中打开}

在因果解释上，GREML 式中介分析估计的是「遗传中介效应」——即暴露的遗传成分通过中介的遗传成分影响结局的那部分——而不是传统流行病学意义上的环境/表型中介效应；两者不能直接等同，这是该方法最常被误读之处。^{9494A genome-wide association study of genetic mediation identifies pathways from educational attainment to health outcomesnature.com前往参考资料 ↓在新标签页中打开|9696Mendelian randomization and genetic mediation analysis: assumptions and limitationsacademic.oup.com前往参考资料 ↓在新标签页中打开}

该方法最初由 Evans 等人在 2019 年前后系统提出并实现，用于在 GWAS 汇总统计或个体水平基因型数据上做「孟德尔随机化之外」的遗传中介路径分解，随后被扩展到多中介与多性状情形。^{9494A genome-wide association study of genetic mediation identifies pathways from educational attainment to health outcomesnature.com前往参考资料 ↓在新标签页中打开}

GREML 中介分析可以只依赖 GWAS 汇总统计（summary statistics）完成，这使它在无法获取个体水平基因型的大型生物样本库合作中具有可操作性；但汇总统计版本对样本重叠（sample overlap）与连锁不平衡（LD）参考面板的选择较为敏感。^{9494A genome-wide association study of genetic mediation identifies pathways from educational attainment to health outcomesnature.com前往参考资料 ↓在新标签页中打开|9797SMR: summary-data-based Mendelian randomization and mediation analysisnature.com前往参考资料 ↓在新标签页中打开}

与逐个 SNP 的中介检验相比，GREML 式中介分析把多重检验负担从「百万级 SNP」压缩到「少数几个方差/协方差分量」，因此在统计功效与可解释性上更适合组学尺度的高维中介问题。^{9393GCTA: a tool for genome-wide complex trait analysiscell.com前往参考资料 ↓在新标签页中打开|9494A genome-wide association study of genetic mediation identifies pathways from educational attainment to health outcomesnature.com前往参考资料 ↓在新标签页中打开}

在组学中介场景中，GREML 框架已被推广到把 DNA 甲基化、基因表达等分子表型作为中介变量，形成「遗传→分子表型→疾病」的路径分解，这类应用通常需要个体水平的多组学数据与匹配的基因型数据。^{9595OSCA: a tool for omic-data-based complex trait analysisgenomebiology.biomedcentral.com前往参考资料 ↓在新标签页中打开|9797SMR: summary-data-based Mendelian randomization and mediation analysisnature.com前往参考资料 ↓在新标签页中打开}

实现层面，GREML 式中介分析可借助 GCTA 的 --reml 与 --mgrm 等选项、以及基于汇总统计的 OSCA/ SMR 类工具完成；不同工具在 LD 参考、样本重叠校正与多中介扩展上的默认设置并不一致，结果可比性需要谨慎对待。^{9393GCTA: a tool for genome-wide complex trait analysiscell.com前往参考资料 ↓在新标签页中打开|9797SMR: summary-data-based Mendelian randomization and mediation analysisnature.com前往参考资料 ↓在新标签页中打开}

该方法的主要局限包括：需要较大的样本量才能稳定估计方差协方差分量；对中介与结局之间的遗传相关估计精度低；以及无法区分「中介真正在通路上」与「中介只是暴露的下游伴随物」这两种情形。^{9494A genome-wide association study of genetic mediation identifies pathways from educational attainment to health outcomesnature.com前往参考资料 ↓在新标签页中打开|9696Mendelian randomization and genetic mediation analysis: assumptions and limitationsacademic.oup.com前往参考资料 ↓在新标签页中打开}

PROCESS 宏由 Andrew F. Hayes 开发，最初以 SPSS 语法宏（syntax macro）的形式发布，用于估计和检验中介、调节以及条件过程（conditional process）模型；其官方站点为 processmacro.org，当前版本号为 4.x 系列（JASP 模块文档引用的是 Version 4.2）。^{9898GitHub - jasp-stats/jaspProcess: The PROCESS module · GitHubgithub.com前往参考资料 ↓在新标签页中打开}

PROCESS 的配套方法论著作是 Hayes 的《Introduction to Mediation, Moderation, and Conditional Process Analysis》（第 3 版，2022 年，Guilford Press），该书的模型编号体系（Model 1 至 Model 90 以上）与 PROCESS 宏中的模型编号一一对应，是使用者选择模型的主要依据。^{9898GitHub - jasp-stats/jaspProcess: The PROCESS module · GitHubgithub.com前往参考资料 ↓在新标签页中打开}

PROCESS 除 SPSS 版本外，还提供 SAS 与 R 的实现；在 R 生态中，其功能与 mediation、lavaan 等包存在重叠，但 PROCESS 以「编号模型 + 单行语法」的易用性著称，常被作为教学与快速验证工具。^{9898GitHub - jasp-stats/jaspProcess: The PROCESS module · GitHubgithub.com前往参考资料 ↓在新标签页中打开}

JASP 团队维护了 jaspProcess 模块，把 Hayes 的 PROCESS 宏移植到 JASP 图形界面中，使用户无需编写语法即可完成中介、调节与有调节的中介分析；该模块以开源方式在 GitHub 上开发，并包含简体中文翻译。^{9898GitHub - jasp-stats/jaspProcess: The PROCESS module · GitHubgithub.com前往参考资料 ↓在新标签页中打开}

PROCESS 的模型库覆盖简单中介（Model 4）、并行多重中介（Model 4 的多中介设定）、序列中介（Model 6）、调节（Model 1）以及有调节的中介（Model 7、8、14 等），并支持对间接效应进行 bootstrap 抽样检验与两两对比。^{9898GitHub - jasp-stats/jaspProcess: The PROCESS module · GitHubgithub.com前往参考资料 ↓在新标签页中打开}

由于 PROCESS 以宏/插件形式运行在宿主软件内，其输出格式与宿主环境绑定（SPSS 输出查看器、SAS 结果窗口、R 控制台），跨软件的可复现性依赖用户自行保存语法与随机种子；这一点在 journal 的可重复性审查中常被提及。^{9898GitHub - jasp-stats/jaspProcess: The PROCESS module · GitHubgithub.com前往参考资料 ↓在新标签页中打开}

lavaan 是 R 语言中用于结构方程模型（SEM）的开源包，由 Yves Rosseel 开发并维护，采用「公式式」语法描述潜变量与路径关系，可拟合路径分析、验证性因子分析与多组模型；中介分析在 lavaan 中通常以定义间接效应（如 a*b）的方式实现，并通过 delta 法或自助法（bootstrap）给出置信区间。^{8585lavaan: An R Package for Structural Equation Modelingjstatsoft.org前往参考资料 ↓在新标签页中打开}

mediation 包是 R 中专门面向因果中介分析的包，由 Dustin Tingley、Teppei Yamamoto、Kentaro Hirose、Luke Keele 与 Kosuke Imai 等人开发，核心函数 mediate() 支持平均因果中介效应（ACME）、平均直接效应（ADE）与总效应的估计，并提供基于准贝叶斯近似或非参数自助法的区间估计；该包同时支持线性与非线性（如 logit/probit）结局模型以及处理—中介交互项。^{6262mediation: R Package for Causal Mediation Analysisjstatsoft.org前往参考资料 ↓在新标签页中打开}

在 lavaan 中报告中介效应时，通行做法是先用 sem() 或 lavaan() 拟合模型，再用 parameterEstimates() 配合 bootstrap = TRUE 获取间接效应的偏差校正自助置信区间；由于间接效应抽样分布常呈偏态，基于正态近似的 Sobel 检验在小样本下功效偏低，自助法因此被广泛推荐。^{8585lavaan: An R Package for Structural Equation Modelingjstatsoft.org前往参考资料 ↓在新标签页中打开}

mediation 包的敏感性分析函数 medsens() 用于评估序贯可忽略性假设被违反时 ACME 估计的稳健性，可报告使 ACME 变为零的误差相关性阈值；这一功能是其在应用社会科学中被广泛采用的原因之一。^{6262mediation: R Package for Causal Mediation Analysisjstatsoft.org前往参考资料 ↓在新标签页中打开}

两个包均以 CRAN 为发布渠道，遵循开源许可，源代码托管于公开仓库并接受社区贡献；版本迭代频繁，使用时应记录所依赖的具体版本号以保证结果可复现。^{8585lavaan: An R Package for Structural Equation Modelingjstatsoft.org前往参考资料 ↓在新标签页中打开|6262mediation: R Package for Causal Mediation Analysisjstatsoft.org前往参考资料 ↓在新标签页中打开}

Mplus 由 Bengt Muthén 与 Linda Muthén 开发，自 1998 年正式发布以来，把结构方程模型（SEM）、潜变量建模与中介/间接效应估计整合进同一套语法框架；其 MODEL INDIRECT 命令允许用户直接声明间接效应，由程序用 Delta 法（Sobel 型）自动计算标准误与置信区间，无需手工做逐步回归。^{9999Mplus User's Guide (Eighth Edition)statmodel.com前往参考资料 ↓在新标签页中打开|100100Mplus Discussion: Indirect Effects and MODEL INDIRECTstatmodel.com前往参考资料 ↓在新标签页中打开}

在 Mplus 中做中介分析的标准写法是：在 MODEL 段用「ON」语句指定 M ON X 与 Y ON M X，再用 MODEL INDIRECT 段写「Y IND X」或「Y IND M」，程序即输出间接效应点估计、Delta 法标准误与 z 值；若加 BOOTSTRAP 命令，则改用偏差校正 bootstrap 置信区间。^{100100Mplus Discussion: Indirect Effects and MODEL INDIRECTstatmodel.com前往参考资料 ↓在新标签页中打开|101101Mediation Analysis in Mplus: A Tutorialtandfonline.com前往参考资料 ↓在新标签页中打开}

Mplus 的 TYPE=GENERAL 与 TYPE=RANDOM 分别对应固定效应与随机效应框架：前者把中介变量当作显变量或潜变量处理，后者允许中介效应本身在个体间随机变动（随机斜率中介），从而估计「中介效应的方差」与条件间接效应，这是普通回归软件难以直接完成的。^{9999Mplus User's Guide (Eighth Edition)statmodel.com前往参考资料 ↓在新标签页中打开|102102Randomized Mediation Analysis with Latent Variablespsycnet.apa.org前往参考资料 ↓在新标签页中打开}

Mplus 对缺失数据默认采用稳健的极大似然估计（MLR）与全信息最大似然（FIML），在 MAR 假设下利用全部观测信息，因此中介分析中不必先做列表删除或单一插补；这一点在含缺失协变量的纵向中介模型中尤其常用。^{9999Mplus User's Guide (Eighth Edition)statmodel.com前往参考资料 ↓在新标签页中打开|103103Full Information Maximum Likelihood Estimation for Missing Data in Structural Equation Modelstandfonline.com前往参考资料 ↓在新标签页中打开}

Mplus 支持多组分析（GROUPING）与测量不变性检验，可分别在多个群体中估计间接效应并做跨组约束比较（如 MODEL TEST 或 DIFFTEST），这是把中介模型用于性别、文化或处理组/对照组比较时的常见做法。^{9999Mplus User's Guide (Eighth Edition)statmodel.com前往参考资料 ↓在新标签页中打开}

Mplus 的语法是「声明式」而非「过程式」：用户只描述模型结构，程序自动选择估计器与数值算法；这降低了 SEM 中介建模的门槛，但也意味着出错时错误信息往往指向模型设定而非具体计算步骤，初学者需要借助其用户指南中的示例模板。^{9999Mplus User's Guide (Eighth Edition)statmodel.com前往参考资料 ↓在新标签页中打开|100100Mplus Discussion: Indirect Effects and MODEL INDIRECTstatmodel.com前往参考资料 ↓在新标签页中打开}

Mplus 是商业闭源软件，需要付费授权，且不提供 R/Python 原生接口；社区通常通过 MplusAutomation（R 包）批量生成输入文件、调用 Mplus 并解析 .out 输出，从而把 Mplus 纳入可复现的脚本化工作流。^{104104MplusAutomation: An R Package for Facilitating Large-Scale Latent Variable Analyses in Mplustandfonline.com前往参考资料 ↓在新标签页中打开|8585lavaan: An R Package for Structural Equation Modelingjstatsoft.org前往参考资料 ↓在新标签页中打开}

中介分析在心理学、教育学及其他社会科学学科的研究中被频繁应用，用于检验自变量通过中介变量影响因变量的机制假设。^{106106The Analyses of Multiple Mediation Effects Based on Structural Equation Modeling--《Journal of Psychological Science》2014年03期en.cnki.com.cn前往参考资料 ↓在新标签页中打开}

在心理学与社会科学中，中介分析的核心价值在于回答干预或自变量「如何」起作用，即把总效应分解为经由中介变量的间接效应与其余路径的直接效应，从而验证理论机制并识别干预切入点。^{105105中介分析 | Bohriumscipedia.bohrium.com前往参考资料 ↓在新标签页中打开}

社会科学研究常涉及多个并行或序列的中介变量，因此基于结构方程模型的多重中介效应分析成为心理学与教育学文献中的常见做法。^{106106The Analyses of Multiple Mediation Effects Based on Structural Equation Modeling--《Journal of Psychological Science》2014年03期en.cnki.com.cn前往参考资料 ↓在新标签页中打开}

在流行病学中，中介分析最典型的用途是把某一暴露（如吸烟、空气污染、社会经济地位）对健康结局的总效应拆解为「经由某中间变量传递的间接效应」与「不经过该中间变量的直接效应」，从而为干预点的选择提供依据：若间接效应占主导，则针对中介变量的干预可能比针对暴露本身更可行。^{107107Modern Epidemiology, 3rd Edition (Chapter on Mediation)ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开|108108Mediation analysis in epidemiology: methods, interpretation and biasacademic.oup.com前往参考资料 ↓在新标签页中打开}

Baron 与 Kenny 于 1986 年提出的逐步回归法（三步法）是流行病学与社会科学中传播最广的中介检验程序，其判定条件是：暴露显著影响结局、暴露显著影响中介、且控制中介后中介显著而暴露效应下降；该方法在流行病学教材与队列研究论文中被长期作为默认做法。^{109109The moderator–mediator variable distinction in social psychological research: Conceptual, strategic, and statistical considerationspsycnet.apa.org前往参考资料 ↓在新标签页中打开}

因果中介分析框架（反事实框架）在流行病学中的引入，使得「自然直接效应」与「自然间接效应」可以在暴露—中介交互存在时被定义和估计，并明确了识别所需的关键假设：无未测量的暴露—结局混杂、无未测量的中介—结局混杂、以及无受暴露影响的 mediator–outcome 混杂因素。^{111111Identifiability and exchangeability for direct and indirect effectsjournals.lww.com前往参考资料 ↓在新标签页中打开|112112Marginal structural models for the estimation of direct and indirect effectsjournals.lww.com前往参考资料 ↓在新标签页中打开}

在流行病学中，中介分析被广泛用于社会流行病学，用以检验教育、收入等社会经济地位通过行为（吸烟、饮食、体力活动）与心理社会因素影响心血管疾病与全因死亡率的路径；这类研究常报告间接效应占总效应的比例（proportion mediated），但该比例在效应方向不一致时可能超出 0–1 区间而失去解释力。^{113113Socioeconomic status and cardiovascular disease: the role of behavioral and psychosocial mediatorssciencedirect.com前往参考资料 ↓在新标签页中打开|114114Explaining the effect of education on health: a mediation analysisacademic.oup.com前往参考资料 ↓在新标签页中打开}

环境流行病学是中介分析应用最密集的领域之一：研究者用其分解细颗粒物（PM2.5）等空气污染暴露对心血管与呼吸结局的效应中，经由炎症标志物、心率变异性、血压等生物标志物传递的部分，以判断生物学通路的重要性。^{115115Air pollution and cardiovascular disease: mediation by blood pressure and heart rate variabilitysciencedirect.com前往参考资料 ↓在新标签页中打开}

中介分析在流行病学中的一项重要应用是评估干预的可操作性：例如在 HIV 预防与母婴传播研究中，用中介分析判断某干预（如抗逆转录病毒治疗）的效应中有多大比例经由病毒载量下降实现，从而评估以病毒载量为靶点的替代终点是否合理。^{118118Mediation analysis in HIV prevention trials: the role of viral loadjournals.lww.com前往参考资料 ↓在新标签页中打开}

流行病学中介分析的常见报告规范包括：同时报告总效应、直接效应、间接效应及其置信区间（推荐 bootstrap 或 delta 法），并明确说明效应尺度（风险差、风险比或优势比）与所依赖的识别假设；仅报告「中介比例为百分之几」而不交代尺度与假设，被视为不充分的报告。^{121121Reporting of mediation analyses in epidemiological studies: a systematic reviewbmcmedresmethodol.biomedcentral.com前往参考资料 ↓在新标签页中打开|122122A general approach to causal mediation analysispsycnet.apa.org前往参考资料 ↓在新标签页中打开}

在基因组学中，中介分析被广泛用于解析遗传变异（如CRISPR筛选得到的扰动靶点或GWAS位点）通过分子表型（基因表达、蛋白丰度、代谢物）影响复杂性状的路径；其核心是把“基因型→分子表型→性状”的级联拆成直接效应与间接效应，从而为功能解释提供可检验的统计框架。^{123123Mediation analysis in genetics and genomics: methods and applicationsacademic.oup.com前往参考资料 ↓在新标签页中打开|124124Mendelian randomization with mediation: a review of methods and applicationsacademic.oup.com前往参考资料 ↓在新标签页中打开}

表达数量性状位点（eQTL）研究常把中介分析作为“孟德尔随机化”的补充：以遗传变异作为工具变量，估计基因表达对下游表型的中介比例，从而在观察性数据中缓解混杂与反向因果。^{124124Mendelian randomization with mediation: a review of methods and applicationsacademic.oup.com前往参考资料 ↓在新标签页中打开|125125Multivariable Mendelian randomization: the use of pleiotropic genetic variants to estimate causal effectsacademic.oup.com前往参考资料 ↓在新标签页中打开}

表观遗传学中，DNA甲基化常被当作中介变量：环境暴露（吸烟、饮食、社会压力）通过改变CpG位点甲基化进而影响基因表达与疾病风险，中介分析用于量化“暴露→甲基化→表达/疾病”的间接效应。^{126126DNA methylation as a mediator in the association between environmental exposures and health outcomesfuturemedicine.com前往参考资料 ↓在新标签页中打开|127127Epigenetic clocks and mediation analysis in aging researchnature.com前往参考资料 ↓在新标签页中打开}

在组学中介分析中，高维中介变量（成千上万个基因、甲基化位点或代谢物）带来多重检验与变量选择问题；常用策略包括主成分/因子降维、惩罚回归（LASSO、弹性网）以及基于成分的联合检验（如高维中介检验），而非逐个位点做单中介检验。^{128128HIMA: high-dimensional mediation analysisacademic.oup.com前往参考资料 ↓在新标签页中打开|129129Mediation analysis for high-dimensional omics data: a reviewacademic.oup.com前往参考资料 ↓在新标签页中打开}

单细胞与空间组学的发展使中介分析从“群体水平”扩展到“细胞类型特异”层面：例如在单细胞eQTL（sc-eQTL）中，中介变量是特定细胞类型的基因表达，中介效应可能因细胞类型而异，需要在细胞类型分辨率下重新定义暴露与中介。^{131131Single-cell eQTL analysis: methods and applicationsnature.com前往参考资料 ↓在新标签页中打开}

在微生物组—代谢组—宿主表型的研究中，中介分析被用于识别微生物通过代谢物影响宿主健康的通路；由于微生物组数据的高维、组成性和零膨胀特征，常需先做成分数据转换（如CLR）再做中介检验。^{129129Mediation analysis for high-dimensional omics data: a reviewacademic.oup.com前往参考资料 ↓在新标签页中打开|133133Mediation analysis in microbiome studies: challenges and opportunitiesmicrobiomejournal.biomedcentral.com前往参考资料 ↓在新标签页中打开}

基因组学中介分析的软件实现包括R包mediation、CMAverse、HIMA（高维中介分析）以及基于孟德尔随机化的TwoSampleMR等；这些工具支持从单中介到高维中介、从线性到生存结局的多种设定。^{128128HIMA: high-dimensional mediation analysisacademic.oup.com前往参考资料 ↓在新标签页中打开|134134CMAverse: a comprehensive R package for causal mediation analysisacademic.oup.com前往参考资料 ↓在新标签页中打开}

在药物基因组学中，中介分析用于拆解“药物暴露→靶点通路分子变化→疗效/毒性”的机制，帮助区分药效的生物标志物与真正的中介通路；但样本量通常有限，中介效应的置信区间较宽。^{135135Mediation analysis in pharmacogenomics: a reviewnature.com前往参考资料 ↓在新标签页中打开}

在神经科学中，中介分析被用来把「刺激/临床变量 → 脑活动 → 行为或症状」这条链条拆成直接效应与间接效应，从而检验某个脑区（或脑网络）是否在统计上「承载」了从自变量到结果变量的部分通路。典型做法是把脑成像指标（如杏仁核、背外侧前额叶、岛叶的激活或静息态 ALFF）作为中介变量 M，把临床量表分数作为自变量 X，把情绪调节表现或症状严重度作为结果变量 Y。^{136136Emotion processing and regulation in major... : Human Brain Mappingovid.com前往参考资料 ↓在新标签页中打开|137137Table 5.pmc.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

Ebneabbasi 等人在 2021 年发表于 Human Brain Mapping 的 7T 静息态 fMRI 研究中，以重性抑郁障碍（MDD）患者为对象，检验了左侧背外侧前额叶（DLPFC）在杏仁核与情绪刺激外显评价（SEE）之间的中介作用；作者报告左侧 DLPFC 并非「完全」中介——即杏仁核→DLPFC 与 DLPFC→SEE 两段路径系数之积构成的间接效应不显著——但该中介路径仍使总效应保持显著。这一结果说明中介分析在脑成像研究中常被用来区分「完全中介」与「部分中介」，而部分中介的结论对样本量与测量噪声相当敏感。^{136136Emotion processing and regulation in major... : Human Brain Mappingovid.com前往参考资料 ↓在新标签页中打开}

在情感计算与情绪调节研究中，中介分析被用于把主观问卷（如 DASS 焦虑/抑郁分量表、OASIS）与任务表现（如序列代价、切换代价）之间的关系，经由特定脑区活动（岛叶、额下回、尾状核、后岛叶、枕叶皮层、楔前叶）加以分解；公开的补充表中同时报告了直接效应、间接效应与总效应三套系数及其 p 值，是这类「问卷—脑—行为」三段式中介模型的典型呈现格式。^{137137Table 5.pmc.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

情感计算领域对中介分析的使用，与神经科学存在取向差异：前者更常把中介变量设为可计算的中介特征（如面部动作单元强度、语音韵律参数、生理信号指标），用于解释「刺激属性 → 中介表征 → 情绪标签/强度」的预测通路；后者更常把脑成像指标当作中介。两者共享同一套间接效应检验逻辑，但前者对模型可解释性与特征可干预性的要求更高。^{137137Table 5.pmc.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

在情绪调节的脑成像中介研究中，报告规范上通常要求同时给出直接效应、间接效应与总效应，并注明间接效应的置信区间或 p 值；仅报告「中介显著」而不给出三段系数，会使读者无法判断是部分中介还是完全中介，也无法评估效应量大小。^{137137Table 5.pmc.ncbi.nlm.nih.gov前往参考资料 ↓在新标签页中打开}

因果中介分析的核心估计量——自然直接效应（NDE）与自然间接效应（NIE）——在存在中介—结局混杂（即暴露影响中介与结局的共同原因）时，一般不可从观测数据中非参数识别；这是因果中介分析最基本的边界，由 Avin、Shpitser 与 Pearl 在 2005 年给出反例与识别条件。^{138138Identifiability of Path-Specific Effectsftp.cs.ucla.edu前往参考资料 ↓在新标签页中打开}

为绕开自然效应不可识别的问题，VanderWeele、Vansteelandt 与 Robins 于 2014 年提出「随机干预效应」（interventional effects，又称随机直接/间接效应），把中介分布人为设定为一个随机抽取的参照分布，从而在存在中介—结局混杂时仍可识别；代价是估计量不再对应任何单一的自然机制分解。^{139139Effect Decomposition in the Presence of an Exposure-Induced Mediator-Outcome Confounderjournals.lww.com前往参考资料 ↓在新标签页中打开}

在存在暴露—中介交互时，四路分解（CDE、INTref、INTmed、PIE）与二路分解（NDE、NIE）给出的「中介比例」并不相同，且中介比例在交互存在时可能超出 [0,1] 区间，因此把「中介比例」当作机制贡献的定量指标在交互情形下缺乏稳定解释。^{4848Mediation Analysis: A Practitioner's Guideannualreviews.org前往参考资料 ↓在新标签页中打开}

中介分析所依赖的序贯可忽略性假设（暴露—中介、中介—结局均无未测混杂）无法用观测数据检验；敏感性分析只能给出「需要多强的未测混杂才能推翻结论」的界限，而不能证明假设成立。^{140140Sensitivity Analysis for Direct and Indirect Effects in the Presence of Unmeasured Confoundingjournals.lww.com前往参考资料 ↓在新标签页中打开}

传统中介分析（Baron–Kenny 逐步法与 Sobel 检验）在因果解释上更弱：它把「控制中介后暴露系数下降」直接读作「中介解释了效应」，但该下降在存在暴露—中介交互或中介—结局混杂时并不对应任何反事实分解，因此不能作为因果机制的证据。^{141141Mediation Analysis in Epidemiology: Methods, Interpretation and Biasacademic.oup.com前往参考资料 ↓在新标签页中打开}

纵向数据中的中介分析面临「治疗—混杂反馈」问题：随时间变化的暴露—中介—结局结构里，若存在受既往暴露影响、又影响后续暴露与结局的时变混杂，标准中介估计量会有偏；g 公式与边际结构模型类方法只能部分缓解，且需要额外的可忽略性假设。^{142142Longitudinal Mediation Analysis with Time-Varying Mediators and Confoundersrss.onlinelibrary.wiley.com前往参考资料 ↓在新标签页中打开}

中介分析中的测量误差问题被长期低估：中介变量即使只有中等程度的经典测量误差，也会使自然间接效应估计产生实质性衰减或方向反转，而常用的回归校准只能部分纠正，且需要重复测量或验证样本。^{143143Measurement Error and Mediation Analysispsycnet.apa.org前往参考资料 ↓在新标签页中打开}

在组学与高维中介场景中，中介变量维度接近或超过样本量，经典中介估计量不再相合；现有高维中介方法（如基于惩罚回归或降维的联合显著性检验）大多只检验「是否存在任何中介」，难以对单个中介给出可信的因果效应估计与置信区间。^{144144High-Dimensional Mediation Analysistandfonline.com前往参考资料 ↓在新标签页中打开}

中介分析结论的外推受限于暴露与中介的联合分布：在某一暴露水平区间内估计的中介效应，外推到该区间之外（尤其是接近零暴露或极端暴露）时缺乏依据，因为中介—结局关系的函数形式在数据稀疏区无法验证。^{140140Sensitivity Analysis for Direct and Indirect Effects in the Presence of Unmeasured Confoundingjournals.lww.com前往参考资料 ↓在新标签页中打开}

统计显著性检验本身不能说明中介效应的大小：在样本量足够大时，一个实质上微不足道的中介效应也会达到显著；而在样本量很小时，一个实质重要的中介效应也可能不显著。因此仅凭 p 值判断「是否存在中介效应」会系统性地误导结论，效应量的作用之一正是弥补统计检验的这一不足。^{145145从效应量应有的性质看中介效应量的合理性journal.psych.ac.cn前往参考资料 ↓在新标签页中打开}

温忠麟等（2016）指出，效应量应当具备三项基本性质：与测量单位无关、具有单调性、不受样本容量影响；只有同时报告统计显著性与效应量，才能得出适当的统计结论。这一标准构成了评价各类中介效应量指标是否合理的判据。^{145145从效应量应有的性质看中介效应量的合理性journal.psych.ac.cn前往参考资料 ↓在新标签页中打开}

中介分析中「显著」与「重要」的错位还体现在检验方法的选择上：Sobel 检验假定中介效应估计量服从正态分布，而中介效应是两条路径系数的乘积，其抽样分布通常偏态，导致 Sobel 检验在小样本下功效偏低；Bootstrap 与乘积分布法虽改善了区间估计，但由此得到的置信区间是否包含 0 仍只是显著性判断，并不直接给出效应量大小。^{145145从效应量应有的性质看中介效应量的合理性journal.psych.ac.cn前往参考资料 ↓在新标签页中打开}

中介效应占总效应的比例（proportion mediated）作为效应量存在固有局限：当总效应本身接近零时，该比例会剧烈波动甚至超出 [0,1] 区间，且它对总效应的估计误差高度敏感。因此比例指标不宜单独作为中介效应大小的唯一度量，应与间接效应的绝对量并列报告。^{145145从效应量应有的性质看中介效应量的合理性journal.psych.ac.cn前往参考资料 ↓在新标签页中打开}

中介分析的核心假设之一是「序贯可忽略性」（sequential ignorability）：在给定处理变量与观测协变量的条件下，中介变量与结果变量之间不存在未观测的混杂。Imai、Keele 与 Tingley 在 2010 年的《Psychological Methods》论文中证明，这一假设一旦被违反，即使处理变量本身是随机分配的，中介效应估计也会产生偏差，且偏差方向与大小无法由数据本身识别。^{4242A General Approach to Causal Mediation Analysisdoi.org前往参考资料 ↓在新标签页中打开}

Imai、Keele 与 Tingley 提出的敏感性分析（sensitivity analysis）以 ρ 表示中介变量与结果变量之间残差的相关性，ρ=0 对应序贯可忽略性成立；通过报告不同 ρ 取值下平均因果中介效应（ACME）的估计值，研究者可以量化遗漏混杂对结论的潜在影响。该框架已在 R 包 mediation 中实现。^{4242A General Approach to Causal Mediation Analysisdoi.org前往参考资料 ↓在新标签页中打开|4545mediation: R Package for Causal Mediation Analysisdoi.org前往参考资料 ↓在新标签页中打开}

传统的中介分析（Baron–Kenny 逐步法、Sobel 检验）依赖线性结构方程模型，其系数乘积 ab 只有在模型正确设定（线性、无交互、无遗漏混杂）时才等于因果中介效应。当真实的数据生成过程包含处理与中介的交互项，或中介与结果的关系为非线性时，ab 的点估计与标准误都会出现系统性偏差。^{77The Moderator-Mediator Variable Distinction in Social Psychological Research: Conceptual, Strategic, and Statistical Considerationsdoi.org前往参考资料 ↓在新标签页中打开|1919Mediation Analysis: A Practitioner's Guidedoi.org前往参考资料 ↓在新标签页中打开}

VanderWeele 与 Vansteelandt 指出，在存在处理—中介交互的情况下，自然直接效应与自然间接效应不再能由单一的结构方程系数刻画，必须借助反事实框架下的四向分解（controlled direct effect、natural direct effect、natural indirect effect、交互项）才能正确表达；把交互项误当作中介效应的一部分是应用文献中的常见错误。^{1919Mediation Analysis: A Practitioner's Guidedoi.org前往参考资料 ↓在新标签页中打开}

中介变量本身若受到处理变量之外的因素影响（即存在「中介—结果混杂」，mediator-outcome confounding），则即使处理变量随机分配，中介效应的非参数识别也会失败。这是因果中介分析与传统路径分析最本质的区别：随机化处理只能保证处理—结果的可识别性，不能保证中介路径的可识别性。^{4242A General Approach to Causal Mediation Analysisdoi.org前往参考资料 ↓在新标签页中打开|1212Causal Inference: What Ifmiguelhernan.org前往参考资料 ↓在新标签页中打开}

对于中介—结果混杂，工具变量、前门准则（front-door criterion）等识别策略在理论上可以恢复中介效应，但要求存在与中介变量相关、且仅通过中介变量影响结果的工具变量；在实际观测数据中这一条件极难满足，因此多数应用研究仍只能依赖敏感性分析而非点识别。^{1212Causal Inference: What Ifmiguelhernan.org前往参考资料 ↓在新标签页中打开}

测量误差是模型误设的另一常见来源：中介变量若含经典测量误差，会使中介路径系数被低估（衰减偏倚），并进一步扭曲直接效应与间接效应的比例。Fritz 与 MacKinnon 的模拟研究表明，中介变量信度低于约 0.9 时，间接效应的检验功效与置信区间覆盖率都会明显下降。^{147147Required Sample Size to Detect the Mediated Effectdoi.org前往参考资料 ↓在新标签页中打开}

在纵向与多层设计中，遗漏混杂还表现为「随时间变化的混杂」（time-varying confounding）：若某一变量既是先前处理的后果、又是后续中介与结果的原因，常规回归调整会引入碰撞偏倚（collider bias）。边际结构模型与结构嵌套模型被提出来处理这一问题，但其正确性依赖无未测量时变混杂的假设。^{1111Marginal Structural Models and Causal Inference in Epidemiologydoi.org前往参考资料 ↓在新标签页中打开}

横断面数据在因果推断上的根本局限在于：它只记录同一时点的变量取值，无法区分「X 先于 M 先于 Y」的时间顺序，因而无法排除反向因果（Y 影响 M、M 影响 X）与同时性（X、M、Y 由同一未观测因素共同决定）。Baron 与 Kenny 在 1986 年提出经典中介三步法时，其原始表述与示例本身就建立在横断面相关结构之上，并未对时序作强制要求，这为后来的误用埋下了伏笔。^{77The Moderator-Mediator Variable Distinction in Social Psychological Research: Conceptual, Strategic, and Statistical Considerationsdoi.org前往参考资料 ↓在新标签页中打开}

在横断面数据上套用中介公式（如 Baron–Kenny 的逐步回归、Sobel 检验或基于乘积法的间接效应估计），得到的「间接效应」在因果意义上没有明确定义：它只是给定 M 时 X 与 Y 偏相关结构的代数分解，不能解释为「通过 M 传导的那部分因果效应」。Maxwell 与 Cole 在 2007 年系统论证了这一点，指出横断面中介分析在缺乏时序与无混杂假设时，其估计量不具备因果解释力。^{149149Bias in Cross-Sectional Analyses of Longitudinal Mediationdoi.org前往参考资料 ↓在新标签页中打开}

因果中介分析框架（以反事实定义的自然直接效应与自然间接效应为核心）明确要求识别所依赖的序贯可忽略性假设，其中包括「不存在影响 M 与 Y 的未观测 X–Y 混杂」与「不存在影响 M 与 Y 的未观测 M–Y 混杂」。横断面设计通常无法为这两条假设提供任何经验支持，因此把横断面数据直接代入因果中介公式，等于在未经验证的假设上做点估计。^{1919Mediation Analysis: A Practitioner's Guidedoi.org前往参考资料 ↓在新标签页中打开}

对横断面中介结果的常见误读之一，是把统计上显著的间接效应直接写成「X 通过 M 影响 Y」的机制陈述，甚至据此提出干预建议。这种表述混淆了「相关结构的分解」与「干预下的效应」，在观察性横断面研究中尤其危险，因为 M 与 Y 往往同时受未观测的共同原因（如社会经济地位、健康行为倾向）驱动。^{149149Bias in Cross-Sectional Analyses of Longitudinal Mediationdoi.org前往参考资料 ↓在新标签页中打开|150150Mediation Analysis in Social Psychology: Current Practices and New Recommendationsdoi.org前往参考资料 ↓在新标签页中打开}

另一个具体误用是把横断面中介分析用于检验「调节式中介」或「有调节的中介」并报告条件间接效应，却没有检验调节变量与中介变量之间是否存在时序上的先后。在横断面数据上，调节变量本身可能受 M 影响，导致条件间接效应的解释完全失效。^{150150Mediation Analysis in Social Psychology: Current Practices and New Recommendationsdoi.org前往参考资料 ↓在新标签页中打开}

在纵向数据可得的情况下，交叉滞后面板模型、潜变量增长模型与固定效应面板方法可以部分缓解横断面中介的时序问题，但它们各自仍需无混杂假设；因此「改用纵向数据」并不自动使中介效应具备因果解释，只是把不可检验的假设从时序转移到了混杂结构上。^{1919Mediation Analysis: A Practitioner's Guidedoi.org前往参考资料 ↓在新标签页中打开|151151Longitudinal Mediation Analysis with Time-Varying Mediators and Outcomesdoi.org前往参考资料 ↓在新标签页中打开}

报告规范层面，已有方法学文献建议：若坚持在横断面数据上做中介分析，至少应报告间接效应的置信区间而非仅报 p 值、明确列出所假设的序贯可忽略性条件、并给出对未观测 M–Y 混杂的敏感性分析；仅报告 Sobel 检验的 z 值与 p 值被视为不充分的报告方式。^{150150Mediation Analysis in Social Psychology: Current Practices and New Recommendationsdoi.org前往参考资料 ↓在新标签页中打开}

中介分析与调节分析回答的是两个不同的问题：中介分析问的是「自变量 X 通过什么机制影响因变量 Y」，即效应是否经由第三个变量 M 传递；调节分析问的是「X 对 Y 的影响在什么条件下、对谁更强或更弱」，即第三个变量 W 改变了 X→Y 效应的方向或大小。前者关注效应的传递路径，后者关注效应的条件性。^{77The Moderator-Mediator Variable Distinction in Social Psychological Research: Conceptual, Strategic, and Statistical Considerationsdoi.org前往参考资料 ↓在新标签页中打开|99Beyond Baron and Kenny: Statistical Mediation Analysis in the New Millenniumdoi.org前往参考资料 ↓在新标签页中打开}

在统计实现上，经典的中介检验（Baron–Kenny 逐步法）要求 X→M 与 M→Y 两条路径同时显著，中介变量 M 在因果次序上位于 X 之后、Y 之前；而调节效应通常以乘积项 X×W 进入回归模型，检验的是交互项系数是否显著，W 与 X 在时序上可以并列，不必位于因果链中间。^{77The Moderator-Mediator Variable Distinction in Social Psychological Research: Conceptual, Strategic, and Statistical Considerationsdoi.org前往参考资料 ↓在新标签页中打开|88Asymptotic and Resampling Strategies for Assessing and Comparing Indirect Effects in Multiple Mediator Modelsdoi.org前往参考资料 ↓在新标签页中打开}

Baron 与 Kenny 在 1986 年提出的经典框架把中介与调节并置讨论，把中介定义为「内部心理过程」式的生成机制，把调节定义为影响自变量与因变量关系强度或方向的变量；这一篇论文长期是社会科学中区分两者的标准引用来源。^{77The Moderator-Mediator Variable Distinction in Social Psychological Research: Conceptual, Strategic, and Statistical Considerationsdoi.org前往参考资料 ↓在新标签页中打开}

在因果推断框架下，中介效应被形式化为自然直接效应与自然间接效应（natural direct/indirect effect），需要定义嵌套的反事实；而调节在因果图中表现为效应修饰（effect modification），并不需要额外的反事实嵌套结构。因此中介分析对识别假设的要求通常强于调节分析，例如需要不存在未观测的 X–M 与 M–Y 混杂。^{4343Identifiability and Exchangeability for Direct and Indirect Effectsdoi.org前往参考资料 ↓在新标签页中打开|152152Mediation Analysis in Epidemiology: Methods, Interpretation and Biasdoi.org前往参考资料 ↓在新标签页中打开}

中介与调节并非互斥，二者可以同时存在于同一模型中，形成「有调节的中介」（moderated mediation）：即中介路径的某一环节（a 路径或 b 路径）本身受到 W 的调节，此时间接效应的大小随 W 的取值而变化。这类模型在组织行为学与心理学中被系统化讨论。^{153153Mediation and Moderation: Conceptual and Statistical Considerationsdoi.org前往参考资料 ↓在新标签页中打开}

在报告规范上，中介分析通常报告间接效应点估计及其 bootstrap 置信区间（因为间接效应乘积项抽样分布偏态），调节分析则报告交互项系数、简单斜率（simple slopes）及在 W 不同取值处的条件效应。两者的报告重点不同，混用会导致解释错误。^{99Beyond Baron and Kenny: Statistical Mediation Analysis in the New Millenniumdoi.org前往参考资料 ↓在新标签页中打开|153153Mediation and Moderation: Conceptual and Statistical Considerationsdoi.org前往参考资料 ↓在新标签页中打开}

常见误区是把统计上显著的交互项直接解读为调节、把显著的 M→Y 路径直接解读为中介，而忽略时序与因果次序：调节变量不必在因果链中间，中介变量必须在因果链中间；仅凭横断面数据中的统计显著无法确立中介的因果方向。^{88Asymptotic and Resampling Strategies for Assessing and Comparing Indirect Effects in Multiple Mediator Modelsdoi.org前往参考资料 ↓在新标签页中打开|154154Causal Mediation Analysis: A Review and Practical Guidedoi.org前往参考资料 ↓在新标签页中打开}

结构方程模型（SEM）与中介分析在方法论上高度重叠：SEM 通过联立方程组同时估计多个回归方程，从而把「X→M→Y」的间接效应直接表达为路径系数的乘积，因此中介分析在 SEM 框架内通常被当作路径分析的一个特例来处理，而不是一套独立的方法。^{155155Discussion on Mediation Tests of Structural Equation Model in Social Science Field -Journal of the Korean Data Analysis Society | Korea Sciencekoreascience.kr前往参考资料 ↓在新标签页中打开}

SEM 相对经典中介分析的核心优势在于显式建模测量误差：潜变量 SEM 把「构念」与「观测指标」分开，间接效应在潜变量层面估计，从而避免经典回归式中因测量误差导致的路径系数衰减；代价是模型识别、样本量与拟合评价的要求更高。^{155155Discussion on Mediation Tests of Structural Equation Model in Social Science Field -Journal of the Korean Data Analysis Society | Korea Sciencekoreascience.kr前往参考资料 ↓在新标签页中打开}

在多重中介与复杂设计上，SEM 的优势更明显：多个并行或串行中介变量可以在同一个联立模型中同时估计，并直接给出各条间接路径的系数与总间接效应，而经典逐步回归需要拆成多个方程分别拟合，难以约束各路径之间的协方差结构。^{155155Discussion on Mediation Tests of Structural Equation Model in Social Science Field -Journal of the Korean Data Analysis Society | Korea Sciencekoreascience.kr前往参考资料 ↓在新标签页中打开}

SEM 用于中介分析时的常见误用包括：把拟合优度良好的模型直接当作因果证据、在有交互或非线性关系时仍套用线性乘积公式、以及在样本量不足时估计含多个潜变量的复杂中介模型，这些都会使间接效应的估计与检验失去可靠性。^{155155Discussion on Mediation Tests of Structural Equation Model in Social Science Field -Journal of the Korean Data Analysis Society | Korea Sciencekoreascience.kr前往参考资料 ↓在新标签页中打开}

路径分析（path analysis）源于 Sewall Wright 在 1918–1921 年间提出的通径系数（path coefficient）方法，其核心是把一组可观测变量之间的相关分解为若干条有向路径上的系数乘积之和；它本质上是一种基于线性结构方程、以协方差结构为拟合对象的描述性分解技术，而非以潜在反事实为框架的因果推断工具。^{156156Intercultural interaction willingness: a PLS-PM approach to influencing factors and its mediation effectnature.com前往参考资料 ↓在新标签页中打开}

中介分析在操作层面常被等同于「路径分析中加入了中介变量的那一部分」：在 PLS-PM（偏最小二乘路径建模）等结构方程建模框架下，研究者先估计各构念之间的路径系数，再把特定路径系数的乘积解释为间接效应（indirect effect），从而得到中介效应的点估计。Nature 旗下 Humanities and Social Sciences Communications 2024 年的一项跨文化互动意愿研究即采用这一做法，用 PLS-PM 同时报告路径系数与间接效应表。^{156156Intercultural interaction willingness: a PLS-PM approach to influencing factors and its mediation effectnature.com前往参考资料 ↓在新标签页中打开}

两者的关键区别在于识别假设的强度与内容：经典路径分析只要求模型设定正确、误差项与解释变量不相关（即递归系统中的序贯外生性），而因果中介分析需要额外的「序贯可忽略性」（sequential ignorability）假设——即在控制处理变量与已观测协变量后，中介变量相对于潜在结果是可忽略的。因果推断文献中该假设存在多个版本，这一事实本身说明它比路径分析的标准假设更强、也更难被检验。^{157157Extract Mechanisms from Heterogeneous Effects: Identification Strategy for Mediation Analysisarxiv.org前往参考资料 ↓在新标签页中打开}

在估计方法上，路径分析传统上依赖极大似然或偏最小二乘对协方差/方差结构做全局拟合，得到的是参数化的线性效应分解；因果中介分析则发展出基于潜在结果的估计量（如自然直接效应与自然间接效应），并可在存在处理—中介交互、非线性或异质性效应时给出定义明确的因果量。近期研究进一步提出在异质性效应下识别中介机制的新策略，以放松传统方法对强识别假设或复杂设计的依赖。^{157157Extract Mechanisms from Heterogeneous Effects: Identification Strategy for Mediation Analysisarxiv.org前往参考资料 ↓在新标签页中打开}

在应用层面，路径分析式的中介检验在社会科学与交叉学科中仍占主流：PLS-PM 等方差导向方法因对分布假设要求宽松、可同时处理多个潜变量与多中介路径，被广泛用于问卷类研究中的中介效应报告；而因果中介分析更多出现在需要明确反事实定义、或需要做敏感性分析以评估未观测混杂影响的方法学论文与政策评估中。^{156156Intercultural interaction willingness: a PLS-PM approach to influencing factors and its mediation effectnature.com前往参考资料 ↓在新标签页中打开|157157Extract Mechanisms from Heterogeneous Effects: Identification Strategy for Mediation Analysisarxiv.org前往参考资料 ↓在新标签页中打开}

从模型结构看，路径分析允许一个变量同时作为多条路径的中介与结果（即一般递归有向无环图），中介分析只是其中「处理→中介→结果」这一三元子结构；因此中介分析可视为路径分析的一个特例，而路径分析则涵盖更广的直接效应、间接效应与总效应分解体系。^{156156Intercultural interaction willingness: a PLS-PM approach to influencing factors and its mediation effectnature.com前往参考资料 ↓在新标签页中打开}

在报告规范上，采用路径分析框架的中介研究报告通常同时给出直接效应、间接效应与总效应三组数值，并配合 bootstrap 置信区间；因果中介分析则额外要求明确陈述识别假设、报告中介—结果混杂的敏感性分析结果，二者在透明度要求上并不对等。^{156156Intercultural interaction willingness: a PLS-PM approach to influencing factors and its mediation effectnature.com前往参考资料 ↓在新标签页中打开|157157Extract Mechanisms from Heterogeneous Effects: Identification Strategy for Mediation Analysisarxiv.org前往参考资料 ↓在新标签页中打开}