从滥用与忽视到精准识别：重塑经济学研究中的中介与调节效应分析

1. 经济学研究中的中介与调节效应：被误解的双生子

十年前我刚接触经济学实证研究时，第一次在文献中看到"中介效应"这个词，下意识以为这是个高深莫测的计量方法。直到自己动手做分析才发现，这个概念本身简单得令人惊讶——它只是描述"原因如何影响结果"这个过程链条中的中间环节。就像我们研究"教育程度如何影响收入"时，可能会发现"职业技能"这个中间桥梁。

但正是这种表面上的简单，导致了很多研究者对中介效应的滥用。最常见的就是直接套用心理学领域的"逐步法检验"：先验证X影响Y，再验证X影响M，最后验证M影响Y。这种看似严谨的三步走，在经济学研究中却可能带来严重的误判。我见过太多论文在这个坑里翻车——当X和M存在双向因果关系时，这种检验方法就会失效。

相比之下，调节效应（也称交互效应）的处境恰恰相反。这个描述"X对Y的影响如何随Z变化"的概念，在实证分析中经常被当作锦上添花的配角。很多研究者只满足于在回归模型里加个交互项，却忽视了它在因果识别中的核心价值。记得我审过一篇研究"最低工资政策对就业影响"的论文，作者发现了政策效果在不同企业规模间的差异，却只把这当作补充说明，实在可惜。

2. 中介效应检验：为什么心理学方法在经济学中水土不服

2.1 逐步法检验的三重陷阱

心理学领域广泛使用的中介效应逐步法检验，在经济学场景下至少存在三个致命缺陷：

第一是混淆相关与因果。经济学变量间往往存在复杂的相互影响。以"金融发展促进经济增长"研究为例，金融深度（M）既可能是经济增长的因，也可能是经济增长的果。这时用逐步法检验金融深度的中介效应，结论就完全不可靠。

第二是忽视遗漏变量。真实经济系统中，可能存在未观测变量同时影响中介变量和结果变量。研究"出口对企业生产率的影响"时，如果忽略企业管理质量这个因素，就会高估出口经验（M）的中介作用。

第三是测量误差放大。经济数据普遍存在测量误差，当这种误差在中介变量和结果变量间相关时，逐步法会产生系统性偏差。这在采用问卷调查数据的研究中尤为明显。

2.2 结构模型：更可靠的中介分析框架

相比逐步法，经济学传统的结构方程模型虽然建模复杂，但更适合中介分析。我在研究产业政策效果时，曾构建这样一个生产函数模型：

// 生产函数结构模型示例 structural { Y = beta0 + beta1*D + beta2*M + epsilon M = gamma0 + gamma1*D + u cov(epsilon, u) = 0 }

这个模型明确区分了政策D通过中间投入M影响产出Y的路径（beta1*gamma1），以及政策的直接效应beta1。更重要的是，它允许我们引入工具变量等方法处理内生性问题。

3. 调节效应：被低估的因果识别利器

3.1 从异质性分析到因果识别

很多研究者把调节效应等同于简单的异质性分析，这是极大的误解。好的调节效应设计可以成为因果识别的"第二重证据"。比如在研究"银行竞争对中小企业融资的影响"时，我们可以利用不同地区司法效率的差异：如果竞争的正效应在司法效率高的地区更强，就反向验证了"契约执行"这一作用机制。

我常用的一个检验策略是"三重差分"（DDD）框架：

// 三重差分模型示例 reg Y i.D##i.Z##i.T, robust

其中D是处理变量，Z是调节变量，T是时间虚拟变量。这个设定可以同时检验处理效应存在性（D）、作用机制（Z）和趋势差异（T）。

3.2 寻找优质调节变量的四个特征

根据个人经验，一个好的调节变量应该具备：

1. 理论相关性：与核心机制存在明确的理论联系
2. 外生变化：自身不受处理变量影响
3. 测量精确：避免使用模糊的代理变量
4. 政策意义：能为政策设计提供洞见

比如在研究数字化转型对企业绩效的影响时，我选择"员工平均受教育年限"作为调节变量，就比简单使用"企业规模"更有理论价值。

4. 结构主义与约简主义的融合之道

4.1 两种范式的互补优势

当前经济学界存在两种主要的研究范式：强调模型简约性的约简主义（Reduced-form）和注重理论结构的结构主义（Structural）。在中介效应分析中，二者各有所长：

• 约简主义的优势在于因果识别更干净，对模型假设依赖较少。我在做政策评估时，会优先采用RCT或准实验设计。
• 结构主义则更适合机制分析。当需要拆解多个中介路径时，构建完整的理论模型往往不可避免。

4.2 一个融合分析的实操案例

去年参与的一个关于"环保监管对企业创新影响"的项目，我们尝试融合两种方法：

1. 先用双重差分法（约简主义）估计监管强度的平均处理效应
2. 然后构建包含研发投入、专利产出等多环节的结构模型
3. 最后用估计出的处理效应作为模型校准的约束条件

这种方法既保证了因果识别的可信度，又深入解析了"合规成本驱动"和"创新补偿"两条中介路径的相对重要性。

5. 给应用研究者的实用建议

5.1 中介效应分析的三个自查问题

在论文中报告中介效应结果前，建议先回答：

1. 我的中介变量是否可能反向影响处理变量？
2. 是否有重要遗漏变量同时影响中介变量和结果变量？
3. 如果中介变量的测量存在误差，会如何影响我的结论？

5.2 调节效应分析的呈现技巧

避免简单地报告"交互项显著"。好的调节效应分析应该：

• 绘制边际效应图展示调节效果
• 计算不同调节变量取值下的条件平均处理效应
• 讨论调节效应的经济意义而不仅是统计显著性

5.3 工具变量在机制分析中的特殊价值

当担心中介变量内生性时，可以考虑"工具变量中介分析"框架。比如研究"贸易开放对收入不平等的影响"时，我用地理变量作为开放程度的工具变量，同时用行业特征作为技术变革（中介变量）的工具变量。这种方法虽然数据要求较高，但结果更加可靠。

6. 国内实证研究的改进方向

观察国内顶级期刊的发表趋势，我发现两个值得关注的转变：一是对中介效应分析的报告要求越来越严格，简单逐步法检验很难通过审稿；二是调节效应分析正从"可有可无"变为"必答题"。在这个转变过程中，研究者尤其需要注意：

1. 不要为了机制分析而强行做中介检验。有时候，明确承认"作用机制尚待研究"比跑一个错误的模型更诚实。
2. 调节变量的选择要服务核心理论贡献。与其测试所有可能的交互项，不如深入分析一个最有理论意义的调节效应。
3. 重视可视化呈现。一个精心设计的调节效应图，往往比十页文字说明更有说服力。

在我的审稿经历中，最令人眼前一亮的论文，往往不是方法最复杂的，而是对中介或调节效应的解释最贴合经济直觉的。这提醒我们，在追求方法严谨的同时，永远不要忘记经济学研究的本质是理解真实世界的运行规律。