Mplus链式中介实战：从模型设定到效应检验的完整指南

1. 链式中介模型入门：为什么你需要掌握这个分析工具

第一次接触链式中介模型时，我也和大多数研究者一样感到困惑。那是在分析组织行为学数据时，我发现简单的直接效应模型无法解释变量间复杂的传递机制。直到导师建议尝试链式中介分析，整个研究才豁然开朗。

链式中介模型（Chained Mediation Model）特别适合分析存在时间或逻辑先后顺序的机制过程。比如在研究"领导风格→员工满意度→工作投入→绩效"这个链条时，传统的中介分析只能检验单步中介，而链式中介可以完整呈现整个传导链条。这种模型在心理学、管理学和社会科学研究中越来越常见，因为它能揭示变量间更复杂的相互作用关系。

与简单中介模型相比，链式中介有三大独特优势：

1. 能分析多阶段传导机制，更贴近现实中的复杂过程
2. 可以量化每个中介环节的贡献度
3. 能够检验传导链条的完整性

实际应用中，我发现90%的研究者会犯一个共同错误——直接套用简单中介的语法来分析链式关系。这会导致模型设定错误，进而影响效应估计的准确性。接下来，我将带你从零开始构建一个正确的链式中介模型。

2. 数据准备与预处理：为分析打下坚实基础

在写Mplus语法前，数据质量决定了分析结果的可信度。我处理过上百个数据集，总结出链式中介分析的三个数据要点：

首先，样本量要充足。根据我的经验，链式中介模型由于路径复杂，建议样本量至少200以上。如果使用Bootstrap法（推荐），样本量不足会导致置信区间过宽。曾经有个研究生拿着80个样本的数据找我咨询，结果Bootstrap抽样后效应量的置信区间从-0.3到0.8，完全无法得出明确结论。

其次，缺失值处理要得当。Mplus默认采用列表删除法，但这样会损失信息。我通常先用SPSS或R检查缺失模式：

MISSING VALUES X M1 M2 Y (99). MISSING ANALYSIS X M1 M2 Y.

如果缺失率超过5%且非随机缺失，建议使用FIML（全信息最大似然估计）。在Mplus中只需设置：

ANALYSIS: ESTIMATOR = MLR;

这个设置同时处理非正态性问题，一举两得。

最后，变量类型要明确。链式中介模型中的变量可以是：

• 显变量（直接测量的指标）
• 潜变量（由多个指标测量的构念）

我建议初学者先从显变量模型入手，等熟悉后再尝试潜变量模型。曾经有位同事把潜变量当显变量分析，结果效应量被严重低估。

3. 显变量模型实战：手把手教你写Mplus语法

让我们通过一个具体案例来学习显变量链式中介的语法编写。假设研究"工作压力(X)→情绪耗竭(M1)→工作投入(M2)→离职意向(Y)"的传导机制。

基础语法结构包含五个关键部分：

1. TITLE：模型命名
2. DATA：数据文件指定
3. VARIABLE：变量定义
4. ANALYSIS：分析方法设置
5. MODEL：路径设定

完整语法示例：

TITLE: 工作压力对离职意向的链式中介模型; DATA: FILE IS workstress.dat; VARIABLE: NAMES ARE X M1 M2 Y; MISSING=ALL(-999); USEVARIABLES ARE X M1 M2 Y; ANALYSIS: BOOTSTRAP=2000; MODEL: ! 第一阶段路径 M1 ON X (a1); ! 第二阶段路径 M2 ON M1 (d); M2 ON X (a2); ! 第三阶段路径 Y ON M2 (b2); Y ON M1 (b1); Y ON X (cdash); MODEL CONSTRAINT: NEW(a1d a1b1 a2b2 a1db2 TOTALIND TOTAL); a1d = a1*d; ! X→M1→M2的效应 a1b1 = a1*b1; ! X→M1→Y的效应 a2b2 = a2*b2; ! X→M2→Y的效应 a1db2 = a1*d*b2; ! X→M1→M2→Y的链式中介效应 TOTALIND = a1b1 + a2b2 + a1db2; ! 总间接效应 TOTAL = TOTALIND + cdash; ! 总效应 OUTPUT: SAMPSTAT STDYX CINTERVAL;

这个语法有三个易错点需要特别注意：

1. 路径命名要用括号标注，否则MODEL CONSTRAINT部分无法识别
2. 链式中介效应是a1db2，不是简单的乘积
3. 总效应要包括直接效应(cdash)和所有间接效应

我第一次使用时，漏掉了M2 ON X这条路径，导致模型设定错误。后来通过比较标准化系数与相关系数才发现问题。

4. 潜变量模型进阶：处理复杂构念的测量问题

当变量是潜变量时（如用多个题目测量工作压力），模型会复杂很多。但别担心，只要掌握核心逻辑，潜变量链式中介同样简单。

关键区别在于需要用测量模型定义潜变量。假设：

• X由X1-X4测量
• M1由M11-M14测量
• M2由M21-M24测量
• Y由Y1-Y4测量

语法示例：

TITLE: 潜变量链式中介模型; DATA: FILE IS latent.dat; VARIABLE: NAMES ARE X1-X4 M11-M14 M21-M24 Y1-Y4; MISSING=ALL(-999); ANALYSIS: BOOTSTRAP=2000; MODEL: ! 测量模型 X BY X1-X4; M1 BY M11-M14; M2 BY M21-M24; Y BY Y1-Y4; ! 结构模型 M1 ON X (a1); M2 ON M1 (d); M2 ON X (a2); Y ON M2 (b2); Y ON M1 (b1); Y ON X (cdash); MODEL CONSTRAINT: NEW(a1d a1b1 a2b2 a1db2 TOTALIND TOTAL); a1d = a1*d; a1b1 = a1*b1; a2b2 = a2*b2; a1db2 = a1*d*b2; TOTALIND = a1b1 + a2b2 + a1db2; TOTAL = TOTALIND + cdash; OUTPUT: SAMPSTAT STDYX CINTERVAL MODINDICES;

潜变量模型有四个特别注意事项：

1. 指标变量最好3个以上，2个指标会导致模型识别问题
2. 要检查测量模型的因子负荷是否显著（>0.5较理想）
3. 模型拟合指数要达标（CFI>0.9, RMSEA<0.08）
4. 如果拟合不佳，可以查看MODINDICES输出进行修正

我处理过一个客户数据，由于M2的测量模型拟合差（CFI=0.85），导致结构模型的结果不可信。后来通过项目打包（item parceling）改善了拟合度。

5. 结果解读与报告：让分析结果说话

跑完模型后，面对密密麻麻的输出文件，很多研究者不知如何提取关键信息。根据我的经验，主要关注以下五个方面：

第一，模型拟合信息（潜变量模型需要看）：

MODEL FIT INFORMATION CFI = 0.952 TLI = 0.938 RMSEA = 0.048 [0.032, 0.063] SRMR = 0.038

这些指标反映模型与数据的匹配程度。我一般要求CFI>0.9，RMSEA<0.08。

第二，路径系数及其显著性：

MODEL RESULTS Estimate S.E. Est./S.E. P-Value M1 ON X 0.423 0.078 5.423 0.000 M2 ON M1 0.356 0.069 5.159 0.000 X 0.128 0.063 2.032 0.042 Y ON M2 0.291 0.071 4.099 0.000 M1 0.187 0.082 2.280 0.023 X 0.102 0.059 1.729 0.084

重点关注：

1. 各路径系数是否显著（p<0.05）
2. 效应方向是否符合理论预期
3. 效应量大小是否有实际意义

第三，标准化结果（STDYX输出）：

STANDARDIZED MODEL RESULTS Estimate M1 ON X 0.412 M2 ON M1 0.347 X 0.119 Y ON M2 0.283 M1 0.178 X 0.094

标准化系数便于比较不同变量的相对重要性。比如这里X→M1的效应(0.412)明显大于X→M2(0.119)。

第四，中介效应检验结果：

CONFIDENCE INTERVALS OF MODEL RESULTS Lower 5% Estimate Upper 5% New/Additional Parameters A1D 0.110 0.151 0.192 A1B1 0.045 0.079 0.113 A2B2 0.003 0.037 0.071 A1DB2 0.013 0.042 0.071 TOTALIND 0.078 0.158 0.238 TOTAL 0.180 0.260 0.340

通过Bootstrap置信区间判断中介效应是否显著（区间不包含0即显著）。这个例子中，所有间接效应都显著。

第五，模型图示（建议用标准化的系数）：

X → M1: 0.412** M1 → M2: 0.347** M2 → Y: 0.283** X → M2: 0.119* M1 → Y: 0.178* X → Y: 0.094(ns)

在论文中报告时，我通常用表格呈现非标准化和标准化系数，再用路径图直观展示主要关系。

6. 常见问题排查与解决方案

即使按照规范操作，链式中介分析中仍会遇到各种问题。根据我的咨询经验，以下是五个最常见问题及解决方法：

问题1：模型无法收敛

• 可能原因：样本量不足、模型太复杂、起始值不佳
• 解决方案：增加样本量、简化模型、尝试不同起始值

ANALYSIS: STARTS = 100 20; ! 增加随机起始值

问题2：Bootstrap结果不稳定

• 可能原因：抽样次数不足、数据分布异常
• 解决方案：增加Bootstrap次数到5000、检查数据正态性

ANALYSIS: BOOTSTRAP = 5000;

问题3：中介效应不显著但路径系数显著

• 可能原因：存在抵消效应（如正负效应相抵）
• 解决方案：检查各条路径的方向是否一致、考虑部分中介模型

问题4：潜变量模型拟合不佳

• 可能原因：测量模型存在问题、指标变量质量差
• 解决方案：检查因子负荷、考虑项目打包

MODEL: ! 项目打包示例 M1 BY M11 M12 (a); M1 BY M13 M14 (b);

问题5：出现不合理的参数估计（如标准化系数>1）

• 可能原因：模型设定错误、数据质量问题
• 解决方案：检查语法是否正确、检查变量间的相关矩阵

记得有位客户遇到模型不收敛的问题，最后发现是因为漏掉了Y ON X这条路径，导致模型识别失败。这个小错误折腾了两天时间才找到。因此我建议大家在运行模型前，一定要反复检查语法。

7. 高级技巧与最佳实践

掌握基础分析后，下面分享几个提升链式中介分析质量的高级技巧：

技巧1：比较不同中介路径的强度 在MODEL CONSTRAINT部分添加比较语句：

MODEL CONSTRAINT: NEW(compare); compare = a1db2 - a1b1; ! 比较链式中介与单步中介

这可以检验哪条中介路径更强。

技巧2：处理类别自变量 当X是分类变量时（如实验组vs控制组），需要先创建虚拟变量：

VARIABLE: CATEGORICAL ARE X; GROUPING IS X (1 = ref 2 = 0);

然后按常规方法分析。

技巧3：跨组比较 比较不同群体（如男女）的中介机制是否相同：

ANALYSIS: TYPE = MULTIGROUP; MODEL: %OVERALL% M1 ON X; M2 ON M1 X; Y ON M2 M1 X; %GROUP1% ! 男性 [M1 M2 Y]; %GROUP2% ! 女性 [M1 M2 Y];

技巧4：敏感性分析 通过改变模型设定（如增减控制变量）检验结果的稳健性。我通常建议客户至少尝试三种不同模型设定。

技巧5：使用蒙特卡洛模拟进行功效分析 在计划研究时，可以用Mplus的蒙特卡洛功能估计所需样本量：

MONTECARLO: NAMES ARE X M1 M2 Y; NOBSERVATIONS = 300; NREPS = 1000; MODEL POPULATION: X@1; M1@1; M2@1; Y@1; M1 ON X*0.4; M2 ON M1*0.3 X*0.2; Y ON M2*0.3 M1*0.2 X*0.1; MODEL: M1 ON X*0.4; M2 ON M1*0.3 X*0.2; Y ON M2*0.3 M1*0.2 X*0.1;

这些技巧需要一定练习才能掌握。建议先从简单模型开始，逐步增加复杂度。在我的研究团队中，新手通常需要分析3-5个数据集才能熟练掌握这些高级技术。