2.1 中介效应分析

在研究 X 与 Y 之间的关系时，常常会受到第三个变量的影响，根据第三个变量对 X 、 Y 的作用，可以分为中介效应和调节效应。

中介效应是指 X 影响 Y 时，是否会先影响中介变量 M ，再影响 Y ；即是否有 X → M → Y 这样的关系，如果存在此种关系，则说明具有中介效应。比如工作满意度（ X ）会影响创新氛围（ M ），再影响最终工作绩效（ Y ），此时创新氛围就成为这一因果链中的中介变量。

2.1.1 中介效应模型

图2-1所示为中介效应模型，包含3个回归模型，分别定义如下。

模型1：自变量 X 和因变量 Y 的回归分析，目的是得到总效应 c 值。

模型2：自变量 X 、中介变量 M 和因变量 Y 的回归分析，目的是得到直接效应 c' 值及中介效应过程值 b 。

模型3：自变量 X 和中介变量 M 的回归分析，目的是得到中介效应过程值 a 。

模型1和模型2的区别在于，模型2在模型1的基础上加入了中介变量 M 。

图2-2所示为中介效应模型逐步回归法检验步骤，通过判断总效应、直接效应及中介效应过程值的显著性来判断是否存在中介效应。

2.1.2 数据描述

本案例的数据文件为研究微博精准营销对顾客购买心理影响的数据，如图2-3所示。其中自变量为微博精准营销，分趣味性、互动性、信息即时性、信息准确性4个维度，中介变量为顾客感知价值，因变量为顾客购买行为。本案例研究顾客感知价值在微博精准营销与顾客购买行为之间是否存在中介作用。

2.1.3 信度分析

获得问卷数据之后应当对问卷信度进行分析，以判断问卷是否满足可靠性的要求。

1.SPSS实现

（1）打开data2-01.sav数据文件，执行菜单栏中的“分析”→“刻度”→“可靠性分析”命令，弹出图2-4所示的“可靠性分析”对话框。

将左侧变量列表中的微博精准营销、顾客感知价值、顾客购买行为的量表题目选中，单击 按钮，将其选入“项”框中。单击“模型”后面的下拉按钮，在下拉列表中选择Alpha。

（2）单击“统计”按钮，弹出图2-5所示的“可靠性分析：统计”对话框，勾选“删除项后的标度”复选框。

（3）完成各项设置后，单击“确定”按钮执行命令，此时会弹出个案处理摘要、可靠性统计等分析结果。

2.结果分析

表2-1给出了初始数据中关于缺失值的统计信息，从表中可以看出不存在缺失值。

表2-2给出了可靠性统计结果，克隆巴赫Alpha为0.855，该信度比较高，说明该问卷的量表题部分通过信度检验。

表2-3给出了项总计统计信息，在信度分析中可以通过修正后的项与总计相关性、删除项后的克隆巴赫Alpha两项的系数对问卷题目进行修改或者调整，一般要求修正后的项与总计相关性的系数大于0.4，而删除项后的克隆巴赫Alpha系数是指某量表题被删除后，剩下的其他题目的可靠性统计结果，若删除某一项后，克隆巴赫Alpha系数明显增大，那么可以将该量表题删除，重新进行信度分析，从而设计出满足要求的问卷。

2.1.4 效度分析

该问卷中微博精准营销分趣味性、互动性、信息即时性、信息准确性4个维度，中介变量为顾客感知价值，因变量为顾客购买行为，一共是6个维度。

1.SPSS实现

（1）打开data2-01.sav数据文件，执行菜单栏中的“分析”→“降维”→“因子”命令，打开图2-6所示的“因子分析”对话框。将左侧列表中的6个维度的20个题目全部选中，单击 按钮，将其选入“变量”框中。

（2）单击“描述”按钮，弹出图2-7所示的“因子分析：描述”对话框。勾选如下复选框：单变量描述、初始解、系数、显著性水平、KMO和巴特利特球形度检验。单击“继续”按钮返回主对话框。

（3）单击“提取”按钮，弹出图2-8所示的“因子分析：提取”对话框。勾选“碎石图”复选框；选中“固定因子数”单选按钮，并设置要提取的因子数为6。单击“继续”按钮返回主对话框。

（4）单击“旋转”按钮，弹出图2-9所示的“因子分析：旋转”对话框。选中“最大方差法”单选按钮；勾选“载荷图”复选框。单击“继续”按钮返回主对话框。

（5）单击“得分”按钮，弹出图2-10所示的“因子分析：因子得分”对话框。勾选“保存为变量”“显示因子得分系数矩阵”复选框。单击“继续”按钮返回主对话框。

（6）单击“选项”按钮，弹出图2-11所示的“因子分析：选项”对话框。勾选“按大小排序”复选框。单击“继续”按钮返回主对话框。

（7）完成所有设置后，单击“确定”按钮执行命令，此时会弹出描述统计、成分矩阵、KMO和巴特利特球形度检验等分析结果。

2.结果分析

表2-4给出了20个初始变量的描述统计量，包括平均值、标准差和分析个案数。

表2-5为KMO和巴特利特球形度检验表。KMO检验用于研究变量之间的偏相关性，计算偏相关系数时由于控制了其他因素的影响，所以计算得到的偏相关系数会比简单相关系数小。

一般认为KMO统计量大于0.9时效果最好，0.7以上可以接受，0.5以下则不宜做因子分析，本案例中的KMO统计量为0.818，效果好。

本案例中的巴特利特球形度检验的显著性为0.000，小于0.01，由此可知各变量间显著相关，即否定相关矩阵为单位阵的零假设，可以进行因子分析。

表2-6为公共因子方差表，给出的是初始变量的共同度，其是衡量公共因子相对重要性的指标。“提取”列即为变量共同度的取值，共同度取值区间为[0，1]。如：趣味性1的共同度为0.719，可以理解为提取的6个公共因子对趣味性1变量的方差贡献率为71.9%。

表2-7为总方差解释表，给出了每个公共因子所解释的方差及累计和。从“初始特征值”栏中可以看出，前6个公共因子解释的累计方差达80.674%，而后面的公共因子的特征值较小，对解释原有变量的贡献越来越小，因此提取6个公共因子是合适的。

“提取载荷平方和”栏中为在未旋转时被提取的6个公共因子的方差贡献信息，其与“初始特征值”栏的前6行取值一样。“旋转载荷平方和”栏中为旋转后得到的新公共因子的方差贡献信息，和未旋转的方差贡献信息相比，每个公共因子的方差贡献率有变化，但最终的累计方差贡献率不变。

图2-12是关于初始特征值（方差贡献率）的碎石图，它是根据表2-7中的“初始特征值”栏中的“总计”列的数据所作的图形。观察发现，第6个公共因子后的特征值变化趋缓，故而选取6个公共因子是比较合适的。

表2-8给出的“成分矩阵”是未经旋转的因子载荷矩阵，表2-9给出的“旋转后的成分矩阵”是经过旋转的因子载荷矩阵。观察这两个表格可以发现，旋转后的每个公共因子上的载荷分配更清晰了，因而比未旋转时更容易解释各公共因子的意义。

因子载荷是变量与公共因子的相关系数，某变量在某公共因子中的载荷绝对值越大，表明该变量与该公共因子之间的关系越密切，即该公共因子越能代表该变量。

由此可知，本案例中的第1个公共因子更能代表顾客购买行为这4个变量；第2个公共因子更能代表互动性这4个变量；第3个公共因子更能代表信息准确性这3个变量；第4个公共因子更能代表信息即时性这3个变量；第5个公共因子更能代表顾客感知价值这3个变量；第6个公共因子更能代表趣味性这3个变量。

从旋转后的成分矩阵判断，6个公共因子跟问卷的6个维度较为一致，因此可以认为该问卷的结构效度比较好。

2.1.5 描述性分析

描述性分析是指通过均值、标准差、方差、最大值、最小值等统计量对变量进行描述，下面将通过案例具体讲解描述性分析的操作方法。

1.SPSS实现

（1）打开data2-02.sav数据文件，执行菜单栏中的“分析”→“描述统计”→“描述”命令，弹出“描述”对话框。

（2）在左侧的变量列表中选中“微博精准营销”“趣味性”等变量，单击 按钮，将其选入“变量”框，如图2-13所示。

（3）单击“选项”按钮，弹出图2-14所示的“描述：选项”对话框，本案例研究该班级男生身高的平均值、方差等，勾选“均值”复选框，在“离散”栏中勾选“标准差”“方差”“最小值”“最大值”“标准误差均值”复选框，在“分布”栏中勾选“峰度”和“偏度”复选框，在“显示顺序”栏中选中“变量列表”单选按钮，单击“继续”按钮返回主对话框。

（4）完成所有设置后，单击“确定”按钮执行命令，此时系统会弹出描述统计表格和身高标准化后的数据。

2.结果分析

从表2-10中可以看出，样本个数为273个，有效的为273个，以及每个维度的最小值、最大值、平均值、标准差等信息。如趣味性维度的最小值为3，最大值为15，平均值为11.44，标准差为3.142，方差为9.873，偏度为-1.246，峰度为0.384。

2.1.6 相关性分析

现对这6个维度进行相关性分析，研究这6个维度之间的关系。

1.SPSS实现

（1）打开data2-01.sav数据文件，执行菜单栏中的“分析”→“相关”→“双变量”命令，弹出图2-15所示的“双变量相关性”对话框。

在左侧的变量列表中选中“趣味性”“互动性”“信息即时性”“信息准确性”等6个维度，单击 按钮，将其选入“变量”框中。在“相关系数”栏中勾选“皮尔逊”复选框，在“显著性检验”栏中选中“双尾”单选按钮，同时勾选“标记显著性相关性”复选框。

（2）完成所有设置后，单击“确定”按钮执行命令，此时会弹出相关性分析的分析结果。

2.结果分析

从表2-11可以看出，趣味性跟另外几个维度都呈现显著正相关关系，顾客购买行为也与另外几个维度都呈现显著正相关关系。

2.1.7 回归分析

根据中介效应模型，需要对3个模型进行回归分析，并通过回归系数来判断是否存在中介效应。本节以研究顾客感知价值在趣味性与顾客购买行为之间的中介效应为例讲解回归分析的操作方法。

1.SPSS实现

（1）利用分层回归做模型1和模型2的回归分析。打开data2-01.sav数据文件，执行菜单栏中的“分析”→“回归”→“线性”命令，弹出图2-16所示的“线性回归”对话框。

在左侧的变量列表中选中“趣味性”变量，单击 按钮，将其选入“自变量”框，将“顾客购买行为”变量选入右侧的“因变量”框。在“方法”下拉列表中选择“输入”。

在“块（B）”栏中单击“下一个”按钮，并把“顾客感知价值”变量选入右侧的自变量框，如图2-17所示。

（2）单击“统计”按钮，弹出图2-18所示的“线性回归：统计”对话框。在“回归系数”栏中勾选“估算值”和“协方差矩阵”复选框，在“残差”栏中勾选“个案诊断”复选框，在“离群值”参数框中输入3，并勾选“模型拟合”和“共线性诊断”复选框。

单击“继续”按钮返回主对话框。其中共线性诊断用于判断自变量间是否存在共线性，多元回归方程中不允许存在共线性问题。勾选此项，会输出方差膨胀因子（VIF）和容差。利用“个案诊断”功能可以得到异常值，在实际运用过程中可以将异常值删除并重新进行回归分析。

（3）单击“选项”按钮，弹出图2-19所示的“线性回归：选项”对话框，选项都保持系统默认值。单击“继续”按钮返回主对话框。

（4）完成所有设置后，单击“确定”按钮执行命令，此时会弹出模型摘要、系数等分析结果。

（5）做模型3的回归分析。打开data2-01.sav数据文件，执行菜单栏中的“分析”→“回归”→“线性”命令，弹出“线性回归”对话框。

在左侧的变量列表中选中“趣味性”变量，单击 按钮，将其选入自变量框，将“顾客感知价值”变量选入右侧的“因变量”框，如图2-20所示。

（6）其他设置与前述步骤一致，单击“确定”按钮执行命令，此时会弹出模型摘要、系数等分析结果。

2.结果分析

表2-12给出了分层回归过程中变量的引入和剔除过程及其准则，可以看出，最先引入“趣味性”变量，建立模型1；接着引入“顾客感知价值”变量，建立模型2。

表2-13给出了模型的拟合情况，给出了模型编号、复相关系数 R 、 R ² 、调整后的 R ² 、估算的标准误差，可见从模型1到模型2， R ² 随之增长，说明模型可解释的变异占总变异的比例越来越大，引入回归方程的变量是显著的，从 R ² 、调整后的 R ² 可以看出模型建立的回归方程较好。

表2-14给出了回归拟合过程中每一步的方差分析结果，可见模型1和模型2的显著性均小于0.05，拒绝回归系数都为0的原假设，回归模型均具有统计学意义。

表2-15给出所有模型的回归系数估计值，包括未标准化系数、标准化系数、 t 值、显著性、容差值和方差膨胀因子。

Beta是标准化回归系数，是所有的变量按统一方法标准化后拟合的回归方程中各标准化变量的系数，具有可比性。表2-15中两个模型中所有变量和常数项的显著性均小于0.05，均通过显著性检验。

模型2的方差膨胀因子（VIF），表中各解释变量的VIF值都较小，说明解释变量基本不存在多重共线性问题。一般认为VIF＞10或容差值接近于0，则存在共线性问题。

模型1：顾客购买行为=10.241+0.404×趣味性

模型2：顾客购买行为=8.493+0.348×趣味性+0.213×顾客感知价值

通过模型1的回归分析可知，总效应 c 值为0.404，且是显著的。通过模型的回归分析可知，直接效应 c' 值为0.348，中间效应过程值 b 为0.213，均是显著的。

表2-16给出了各个模型中排除变量的统计信息，模型1中排除的变量为顾客感知价值。

表2-17给出了各变量之间的系数相关矩阵，趣味性和顾客感知价值的相关性为-0.238。

表2-18给出了共线性诊断的结果。

表2-19给出了残差统计数据，包括预测值、标准预测值、残差、标准化残差。

表2-20给出了中介效应模型3回归过程中变量的引入和剔除过程及其准则，可以看出，引入了“趣味性”变量，建立了模型1（中介效应模型3）。

表2-21给出了模型的拟合情况，给出了模型编号、复相关系数 R 、 R ² 、调整后的 R ² 、估算的标准误差，从 R ² 、调整后的 R ² 可以看出模型建立的回归方程较好。

表2-22给出了回归拟合过程中每一步的方差分析结果，可见模型的显著性小于0.05，故拒绝回归系数都为0的原假设，回归模型均具有统计学意义。

表2-23给出所有模型的回归系数估计值，包括未标准化系数、标准化系数、 t 值、显著性、容差值和方差膨胀因子（VIF）。

中介效应模型3：顾客感知价值=8.193+0.264×趣味性

通过中介效应模型3的回归分析可知，中间效应过程值 a 为0.264，回归系数是显著的。

综上所述，结合图2-2可知，顾客感知价值在趣味性与顾客购买行为之间存在部分中介效应，效应量为 a · b / c =13.9%。 A6Qt5UOpQwBL23OuAvFe7kfnksz/X86UaYuJ0kyca49oSB5A5i4ks7QiuKINzVwd