平行中介
适合解决什么问题
分解X与Y之间的总效应、直接效应及经M传递的间接效应。
数据与适用条件
首版针对连续观测变量的OLS模型。所有路径使用相同完整案例与分类编码，Bootstrap按个案重抽样。控制变量也要有研究依据。
本方法的配置要点
指定一个X和多个并列M，Y方程同时纳入所有M。每条特定间接效应因此已控制其他中介，不是多个简单中介结果的拼接。
变量位置
| 页面位置 | 操作 |
|---|---|
| 因变量 Y | 选择一个变量 |
| 自变量 X | 勾选变量 |
| 中介变量 | 勾选变量 |
| 控制变量 | 勾选变量 |
| 按分类变量处理 | 勾选变量 |
| 分类变量参照组 | 为分类因素选择参照水平 |
分析设置
| 参数 | 选项或用途 | 默认值 |
|---|---|---|
| Bootstrap次数 | 根据研究设定填写 | 1000 |
| 随机种子 | 根据研究设定填写 | 20260926 |
| 附路径回归表 | 根据研究设定填写 | 关闭 |
分析参数直接显示在主配置区；格式高级配置仅包含表格标题与数值小数位。进行区间估计的方法另提供显著性水平，0.05对应95%置信区间。
结果怎样解读
重点报告各间接效应的Bootstrap百分位区间是否跨0。总效应显著不是检验间接效应的必要条件；横截面关联本身不能确立时间顺序和因果机制。
操作流程与导出
- 上传数据，通过左侧目录或搜索进入方法。
- 按上表放入变量，设置符合研究设计的参数，点击开始分析。
- 查看论文式主表；需要修改时点击重新配置，诊断和样本细节在“查看原始输出”中。
- 按需重命名和保留结果标签，导出Word、Excel、CSV或TXT；批量导出可附当前选中的AI解读。Word保留结果图。AI文字须结合实际估计值审核。