简介：本资源是面向社会科学、心理学及市场研究领域研究者的SPSS中介效应分析专用插件合集，解决用户在因果机制检验中缺乏便捷工具的痛点，尤其适合需开展简单至复杂中介模型（如链式中介、调节中介）的中高级统计分析人员。压缩包共19个文件，含8份PDF文档（涵盖Process与Mediate安装指南、操作手册、版本说明及版权声明）、3个SPSS语法文件（.sps）、2个SPSS数据文件（.spd）、2个SAS脚本（.sas），以及JPG图示、HTML免责声明和TXT说明等，总大小5.76MB，结构清晰便于按功能模块快速调用。已有9826人学习下载，资源提供完整插件部署包、权威操作指引（含图形化路径图生成与Bootstrap检验详解）、双插件对比说明及典型研究案例解析，助用户零基础掌握中介效应建模全流程，并确保结果解读的规范性与可复现性。 跑问卷数据的朋友基本都会遇到一个躲不开的环节：中介效应分析。手里拿着X、M、Y三个变量的数据，既想看X对Y的直接作用，又想说明中间那条“M”的路径真实存在，这时候有两款插件是绕不开的选择——Process和mediate。最近刚好有个朋友问这两款SPSS中介效应分析插件到底有什么区别、该装哪个、跑出来的结果怎么读，我把实际用的过程完整梳理一遍，包括安装、操作、参数设置和踩过的坑，供同样在研究中介效应的朋友参考。
先说清楚一件事：这两款插件都能做中介效应检验，但它们的定位和运行逻辑完全不一样。Process由Andrew F. Hayes开发，是目前社科论文里最主流的插件，界面化操作，模型覆盖从简单中介到链式中介、有调节的中介；mediate则是IBM官方在SPSS里调用R mediation包做的扩展命令，本质上走的是R的运算流程，适合已经熟悉R语言、或者需要更强统计控制力的场景。接下来我从底层层层拆开讲。
1. 中介效应分析：为什么SPSS原生功能搞不定
1.1 中介效应到底在做什么
中介效应的本质是追问因果链条：自变量X不是直接“作用”在因变量Y上，而是先影响中介变量M，再由M传导给Y。最典型的例子是工作压力（X）通过情绪耗竭（M）影响离职意向（Y）。这里存在三条路径：X对Y的总效应（c）、X对Y的直接效应（c'）、以及X通过M产生的间接效应（a×b，其中a是X对M的路径系数，b是控制X后M对Y的路径系数）。三者关系是 c = c' + a×b。
理解这个公式很重要。因为论文里经常说“部分中介”和“完全中介”，它们的判断标准就是c'是否显著：c'显著且ab显著，说明X既能直接影响Y，也能通过M间接影响Y，属于部分中介；c'不显著而ab显著，则说明X对Y的影响完全是通过M来传递的，属于完全中介。但现在心理学和管理学的主流期刊已经不太看重“完全中介”这种说法了，因为完全中介通常意味着模型中可能漏掉了其他中介变量，真实的因果结构很难是“唯一通道”。多数情况下，报告ab是否显著、c'是否显著，比纠结“完全还是部分”更有价值。
1.2 SPSS自带回归流程的局限
很多人在学中介效应时，最先接触的是Baron和Kenny的因果步骤法，在SPSS里连跑三个回归：第一步X预测Y，第二步X预测M，第三步X和M一起预测Y，然后看系数是否满足“X影响Y、X影响M、M影响Y、加入M后X对Y的效应减弱”这四个条件。这个方法逻辑清晰，但问题非常明显。
第一，它的显著性检验基于Sobel检验，而Sobel检验的前提是a×b的抽样分布服从正态分布。问题是哪怕a和b分别都正态，ab的乘积也常常是偏态分布，尤其在小样本下，Sobel检验的检验力很低，容易犯第二类错误，也就是该检出的间接效应检不出来。第二，因果步骤法对“X不直接影响Y”这一步非常敏感，也就是如果c不显著，这个方法会直接判定不存在中介效应，但文献已经反复证明：即使c不显著，也可能存在间接效应，因为可能存在两条方向相反的间接路径互相抵消，导致总效应被掩盖。所以现代方法学倾向于直接用自助法估计间接效应的置信区间，不再依赖“先看总效应显不显著”这种前置判断。
1.3 插件到底解决了什么核心痛点
Process和mediate这两款插件解决的就是上面两个痛点：用Bootstrap（自助抽样）替代Sobel检验的正态假设，把a×b的置信区间直接算出来，同时把三步回归合并成一次模型估计，减少手动操作带来的误差和遗漏。
自助法（Bootstrap）的原理可以这样理解：我们把当前样本当成一个“小总体”，从中有放回地反复抽样，比如抽5000次，每次抽样后都计算一次a×b，这样就得到5000个间接效应估计值，把它们从小到大排序，取第2.5百分位和第97.5百分位，就是95%置信区间。如果这个区间不包含0，说明间接效应显著。这个方法不要求ab服从正态分布，在小样本和偏态分布情况下比Sobel检验稳健得多，这也是为什么现在论文里几乎默认要求报告Bootstrap置信区间。
2. 理清两款插件的底层原理：都是Bootstrap，思路并不完全相同
2.1 因果步骤法和Sobel检验为何被嫌弃
先把历史脉络理清楚。Baron和Kenny在1986年提出因果步骤法之后，Sobel检验成为很长一段时间的补充方案，特别是用于检验ab乘积的显著性。但后来很多模拟研究发现，Sobel检验在小样本下检验力不足，置信区间也偏窄，尤其在样本量低于200时误差明显。加上它要求ab服从正态分布，这个前提在实际数据里很难满足，所以逐渐被边缘化。
替代方案就是Bootstrap。Bootstrap不依赖总体的分布假设，直接从手头样本反复重抽样，用经验分布代替理论分布。你再也不用管ab是不是正态，只要样本足够代表性，Bootstrap置信区间就比Sobel检验更值得信赖。现在的共识是：样本量较小、ab分布偏态、或者论文审稿人要求“报告Bootstrap置信区间”时，一律用Bootstrap结果作为主要依据。
2.2 Process的运算逻辑
Process的核心逻辑是基于回归模型的中介效应估计。你可以把它看作一个封装好的回归框架：你只要告诉它谁是X、谁是M、谁是Y，它就会用普通最小二乘回归依次估计两条方程——M = a0 + aX + 误差，Y = c0 + c'X + bM + 误差，然后把a和b相乘得到间接效应，再用Bootstrap把置信区间算出来。
它最吸引人的地方是后面那几十个模型编号：Model 4是简单中介，Model 6是链式中介，Model 7/8/14/15等是有调节的中介，还有Model 59这种调节路径更多的模型。这解决了非常实际的问题：以前做有调节的中介，要在SPSS里手工创建交互项、分步回归、甚至要用Johnson-Neyman法绘制条件效应图，过程繁琐且容易出错；而Process把这一整套逻辑固化成插件，选定模型编号后自动完成。对于非方法学专业的研究者，这是效率提升最明显的地方。
2.3 mediate插件的运算逻辑
mediate插件（SPSSINC MEDIATE）走的是另一条路：它包装的是R语言mediation包。mediation包最早是为实验和准实验数据设计的，所以它的模型设定比Process更加“审慎”，会把自变量TREAT与中介变量MEDIATOR、因变量Y的关系拆成两个方程：中介变量模型（M ~ TIM + covariates）和结果变量模型（Y ~ TIM + M + covariates），然后通过bootstrap或准贝叶斯方法估计因果中介效应。
和Process相比，medate插件输出里有一个值得留意的指标：Prop. Mediated（中介比例），表示间接效应占总效应的比例。这个指标Process也能算，但mediation包更强调它。另一个差异是mediate插件能输出"average causal mediation effect"这样一套来自R因果推断传统的口径，如果你研究的领域习惯用因果推断框架，比如经济学、政策评估方向，它可能比Process更贴合审稿人预期。
2.4 如何选型：我先给你一个清晰结论
如果是一般社科问卷数据，做论文、做毕业设计，我建议优先用Process，因为它菜单化操作最容易上手，输出格式也贴近论文报告需求，网上教程多、遇到问题容易搜到。如果满足以下条件之一再考虑mediate：（1）你需要同时处理多个中介变量，且希望逐个输出ACME和Prop.Mediated等指标；（2）你熟悉R语言，想在SPSS里调用mediation包完成一些Process不太方便实现的定制化建模；（3）你的自变量是实验分组变量（比如干预组/对照组），因果推断的表述刚性更强。
| 对比维度 | Process插件 | mediate插件 |
|---|---|---|
| 开发方 | Andrew F. Hayes（学术界个人开发） | IBM官方基于R mediation包封装 |
| 界面操作 | 菜单化，点选即可 | 需要写SPSS命令语法 |
| 底层环境 | 纯SPSS自带回归过程 | 依赖R语言及mediation包 |
| 中介模型范围 | 支持大量模型编号（简单、链式、有调节等） | 侧重中介效应因果推断，支持协变量控制 |
| 核心输出 | Bootstrap间接效应置信区间 | ACME、ADE、Prop.Mediated |
| 适合人群 | 社科问卷、管理学、心理学论文 | 熟悉R、需要因果推断框架的研究者 |
3. 实操过程：Process插件从安装到结果解读
3.1 Process安装操作
安装Process其实很简单，但有一个高频坑：现在很多电脑装的SPSS版本比较新，如果你直接双击下载的zip文件而不把它解压出来，Process菜单很可能加载不出来。正确做法是把zip解压，得到一个process.spd文件（有的版本是process.spe文件），然后打开SPSS，选择“扩展 → 安装自定义对话框（或扩展包）”，再定位到这个.spe文件完成安装。
也有一部分习惯手动安装的朋友，直接把解压出来的process.spd文件拷到SPSS安装目录下的extensions文件夹里。这个路径一般类似“C:\Program Files\IBM\SPSS\Statistics\27\extensions”，不同版本可能略有差异。无论用哪种方式，安装之后重启SPSS，在“分析 → 回归”菜单下应该能看到“PROCESS v4.x by Andrew F. Hayes”的条目。如果重启后依然看不到，多半是文件没有解压或者扩展目录权限不足，右键SPSS图标选择“以管理员身份运行”通常能解决。
3.2 用Process跑一个标准中介模型
数据准备很简单，不需要对变量做中心化处理（Process会在结果里输出未标准化和标准化系数），只需要保证三个核心变量都是数值型，并且不要有缺失值。如果原始文件里有缺失值，建议先做缺失值处理，或者用数据选择功能把完整个案过滤出来，避免Process运行时报错。
操作步骤如下：点击“分析 → 回归 → PROCESS v4.x”，在弹出的对话框里把Y填入Outcome Variable（Y），把X填入Independent Variable（X），把M填入Mediator Variable（M），然后做几项关键设置。
Model Number填4，这是简单中介模型。Bootstrap Samples建议填5000，这是当前学术论文里最常见的默认值，低于这个数值审稿人可能会质疑稳定性。Confidence Level填95，保持默认。下面的选项里，我会勾选“Show total effect model”和“Standardized coefficients”，前者是为了报告总效应c，后者是为了报告标准化间接效应，方便不同研究之间对比效应量。
3.3 Process输出结果逐段解读
Process的输出通常以“Run MATRIX procedure”开头，接着是模型概要。最需要盯住的是三段结果。
第一段是“Outcome: M”的回归模型，里面给出X预测M的回归系数B、标准误SE、t值和p值，这就是路径a。第二段是“Outcome: Y”的回归模型，里面同时放入X和M，M对Y的系数就是路径b，X对Y的系数就是直接效应c'。第三段是“Total effect of X on Y”，对应总效应c。
然后是你论文里最核心的部分：“Indirect effect(s) of X on Y”。这里会输出一个表格，里面的Effect是间接效应点估计值，BootSE是Bootstrap标准误，BootLLCI和BootULCI分别是Bootstrap置信区间的下限和上限。判断标准只有一个：这个区间是否包含0。比如BootLLCI是0.21，BootULCI是0.58，说明95%置信区间不包含0，间接效应显著。如果区间是-0.12到0.34，说明数据无法支持间接效应显著。
另外Process还会输出一个“Normal theory tests for indirect effect”，这就是Sobel检验的结果。如果Bootstrap区间显著而Sobel检验不显著，以Bootstrap为准，这是很多模拟研究支持的结论。我在自己的研究里通常会把两者结果都记下来，论文正文主要报告Bootstrap，如果审稿人不问就不展开Sobel。
4. 实操过程：mediate插件的安装、语法与结果解读
4.1 前置环境配置：R语言和mediation包
用mediate插件之前，需要保证电脑里至少满足三个前置条件：安装了R语言、安装了IBM SPSS Statistics Essentials for R、以及R中安装好了mediation包。这三个条件任何一个不满足，命令都会直接报错。
R语言直接去官网装一个稳定版本即可。Essentials for R这个组件是IBM提供的，安装包通常在你购买SPSS的授权页面里能找到，或者SPSS安装光盘的ISO文件里包含了它。装好之后需要验证SPSS和R能不能通信，可以在SPSS的语法窗口里执行一条简单的命令，比如“SPSSINC TRANS”，如果能正常返回结果就说明通信正常。
mediation包在R环境的控制台用命令install.packages("mediation")即可安装，同时建议顺手装上它的依赖包，比如mvtnorm、sandwich等。我在实际使用中遇到过部分依赖包没有自动安装导致函数运行失败的情况，所以会这样操作：
install.packages("mediation", dependencies = TRUE)安装完成后，不必每次使用都手动打开R，但建议先检查一下R版本和SPSS的对接版本是否匹配。版本不匹配是mediate插件运行失败的最常见原因，没有之一。
4.2 SPSS中运行mediate命令
在SPSS里把变量整理好之后，打开语法窗口，输入这样一段SPSS命令：
SPSSINC MEDIATE TREAT=X MEDIATOR=M Y=Y /BOOTSTRAP=5000 /LEVEL=CONFIDENCE=.95.这里的TREAT指的是自变量X，MEDIATOR是中介变量M，Y是因变量Y。如果你的模型里有协变量，可以在后面加一个COVARIATES参数，比如协变量是C1和C2，写成：
SPSSINC MEDIATE TREAT=X MEDIATOR=M Y=Y COVARIATES=C1 C2 /BOOTSTRAP=5000 /LEVEL=CONFIDENCE=.95.运行后会弹出“SPSS Statistics Processor”窗口，R在后台开始计算，界面会短暂卡顿，数据量稍大时可能需要等一会儿，这属于正常现象。如果一切顺利，SPSS的输出窗口会显示mediation包的摘要结果。
4.3 mediate输出结果怎么读
和Process不同，mediate插件输出的核心表格包含几个有特定名字的估计量。ACME（Average Causal Mediation Effect）就是间接效应，ADE（Average Direct Effect）就是直接效应c'，Total Effect是总效应c，Prop. Mediated是中介比例。表格里的Estimate是点估计，95% CI Lower和95% CI Upper是置信区间，p-value是显著性水平。
读法依旧看置信区间：ACME的95%置信区间不包括0，间接效应显著。如果Prop.Mediated出现负数，或者大于1，说明中介模型设定可能有问题，比如存在抑制效应或者样本量太小导致估计不稳定。我在实际使用中遇到过Prop.Mediated为负的情况，那一次是因为两条间接路径方向相反，总效应被抵消，单看比例反而会误导读者。
还有一个使用细节需要提醒：Process每次运行Bootstrap都会自动设置一个随机种子，所以只要你用同一个数据文件、在同一个会话里跑，结果是可以复现的；而mediate插件每次Bootstrap抽样是独立的，如果你重复运行同一条命令，得到的置信区间会有细小波动。为了避免审稿人质疑可复现性，我通常把R的随机种子设置好再跑。比如在R语言里先执行“set.seed(12345)”再调用命令，这样每次Bootstrap结果都完全一致。
5. 常见问题与排查技巧实录
5.1 插件安装和菜单显示问题
Process装完但菜单里找不到，是我收到私信里最常出现的问题。可能性有三种：一种是没解压，直接让SPSS读取zip压缩包里的文件，导致加载失败；第二种是SPSS的扩展目录权限不足，插件文件无法写入；第三种是电脑上同时装了多个SPSS版本，插件被装到了其中一个版本的目录，而你打开的是另一个版本。解决方法也简单，先把所有SPSS窗口关掉，用管理员身份运行SPSS，然后重新安装一次。如果还不行，手动把文件放到extensions目录，再重启一次。
mediate插件运行时报“Cannot connect to R”这类错误，通常不是因为SPSS问题，而是R沟通组件没配对。可以检查三点：R是否安装在默认位置、Essentials for R是否和SPSS位数一致（32位配32位，64位配64位）、R环境中mediation包是否真正安装成功。另外，R版本太新也可能导致Essentials for R识别不了，遇到这种情况，装上R 4.1或4.2这种官方兼容版本一般能解决。
5.2 运行报错与数据问题
运行Process时如果报“The data contain missing values”，说明数据里有缺失个案。这里有个细节：Process的菜单界面上没有专门处理缺失值的按钮，它要求数据必须是完整数据。如果你只是关闭了缺失值显示，并不影响它内部判断。正确做法用“数据 → 选择个案”先把缺失个案排除，或者用多重插补得到完整数据集再跑。
还有一次我遇到一个特别隐蔽的问题：变量类型。SPSS数据文件里如果一个变量被定义成字符串类型，即使内容全是数字，Process也会报错。去“变量视图”里把测量标准改成“标度”或者把类型改成数值型即可。
使用mediate插件时，如果R窗口弹出“Error in mediate(...) : unused arguments”的提示，大概率是spss插件调用的mediation包版本和函数参数不匹配。mediation包更新之后，个别参数名发生了变化，导致SPSSINC MEDIATE生成的调用代码失效。我的经验是不要随意升级R语言里的mediation包到最新版，或者说升级后务必用一个小样本做测试，确认输出正常再跑正式数据。
5.3 结果解读中容易踩的坑
结果解读方面有几个容易误导人的地方。第一，不要只看p值。Bootstrap法看的是置信区间，哪怕p值恰好是0.051，只要置信区间不包含0，间接效应就是显著的。很多论文只报告p值，往往忽略了区间信息，审稿人只要问一句“你的Bootstrap置信区间是多少”就露馅。
第二，直接效应c'不显著，并不等于没有中介效应。前面提到的抑制效应就是一个例子：两条间接路径一正一负，总效应被抵消，c不显著也可能存在显著的间接效应。Process输出的每条路径信息都在，建议把每个间接路径都看一遍。
第三，样本量太小的时候，Bootstrap结果会不稳定。我一般建议中介效应分析的最低样本量不低于200，如果低于200，Bootstrap置信区间可能会在一次运行和下一次运行之间有比较大差异。解决方法是提高Bootstrap抽样次数，比如从5000提到10000，同时用固定随机种子。
| 问题表现 | 可能原因 | 解决方案 |
|---|---|---|
| Process菜单不显示 | 插件未解压或目录无权限 | 解压文件、管理员身份运行SPSS、手动拷入extensions |
| 运行报缺失值错误 | 数据中包含缺失个案 | 先做缺失值处理或选择完整个案 |
| 变量报错 | 变量类型是字符串 | 在变量视图中改为数值型 |
| mediate无法连接R | R未安装或Essentials不匹配 | 检查位数一致性、重装R和组件 |
| 两次结果不一样 | Bootstrap抽样随机波动 | 设置随机种子，或增加Bootstrap次数 |
| Prop.Mediated为负 | 存在抑制效应或模型误设 | 检查间接路径方向，确认是否适合报告中介比例 |
6. 一些只有实操才能学到的细节
6.1 用语法批量处理多个模型
Process虽然以菜单化操作为卖点，但实际上支持通过Syntax语法批量运行。这一点很实用，尤其是当你有多个因变量、或者需要做分组稳健性检验的时候。在菜单上设置好结果后，点击对话框右下角的“Paste”按钮，SPSS会把对应的语法粘贴到语法窗口，你只需要复制这一段，修改变量名，就可以一次性跑完多个模型。
比如你想分别以Y1、Y2两个不同因变量跑同一个中介模型，可以这样处理：
PROCESS vars=Y1 X M/model=4/y=Y1/x=X/m=M/boot=5000. PROCESS vars=Y2 X M/model=4/y=Y2/x=X/m=M/boot=5000.这样跑完以后，两个模型的结果会依次输出，后面不用在菜单里来回设置了。我处理论文稳健性检验时经常这么干，效率能提升不少。
6.2 效应量该报什么更稳妥
中介效应的显著性判断看置信区间，但效应量能帮助读者判断“这个中介效应到底有多大”。Process输出的“Completely standardized indirect effect”是最常被推荐的报告指标，它表示间接效应的标准化值，可以理解为X变化一个标准差时，经由M传导到Y的标准差变化量。Cohen的建议标准是：0.01为小效应，0.09为中等，0.25为大效应，这是文献中常见的粗略参考。
另一个替代方案是Preacher和Kelley提出的k²（kappa-squared），它表示“间接效应占最大可能间接效应的比例”，范围在0到1之间，理解起来更直观。Process的早期版本不直接输出k²，如果你需要它，可以用R或者Excel手动计算，不过现在多数论文直接报告完全标准化间接效应就够了。但有一点必须注意：无论选哪个效应量指标，都要在论文里说明你依据的是哪个参考标准，不要直接给出一个“0.12”让读者猜大小。
6.3 控制变量到底该不该放进模型
很多研究者在做中介分析时会纠结控制变量放不放进Process里。我的建议是：控制变量应该放，但不要乱放。理论上，你只需要控制那些同时影响M和Y的第三变量，这样的变量如果不控制，会导致中介路径估计偏误。至于那些可能发生在X之前的协变量，比如性别、年龄等，放进模型通常能提升估计精度，放不放取决于研究设计是否需要。
Process里设置控制变量很简单：在“Covariate(s)”框里把控制变量选进去即可。要注意的是，加了控制变量之后，路径a、b、c'的系数可能会发生变化，这是正常的。如果你做了多个模型，最好在同一篇文章里统一控制变量的选择逻辑，不要这个模型放三个，下一个模型放两个，否则审稿人很容易质疑你的模型设定不一致。
从我自己处理了十几套问卷数据的经验来看，中介效应分析的麻烦不在于“跑不出来”，而在于很多人只学会了点菜单，却不知道每一步在算什么、结果该信哪个。Process和mediate这两款插件本来就对新手比较友好，只要理解了Bootstrap区间和路径系数的含义，用熟之后会发现它比传统的三步回归痛快得多。如果你还在纠结装哪款，按我的建议直接开工装Process，先把Model 4跑通，结果差不多够写论文了；等你对中介效应有了更深入的理解，需要做更复杂的因果推断时，再研究mediate插件也不迟。
本文还有配套的精品资源，点击获取
