场景案例 · 2026-06-24

非遗手工艺传承意愿研究怎么用 AI 分析？SEM 中介调节全流程

非遗/手工艺传承意愿研究怎么跑SEM？从测量模型、路径分析到中介调节检验，ChatSRS一句话完成，生成APA 7th格式论文报告句式。

研究非遗或手工艺传承意愿的同学，常卡在同一个坎：量表收回来了，知道要跑 SEM，但验证性因子分析（CFA）怎么报？中介效应的 Bootstrap 怎么引用？"政策感知"这类调节变量的 Bias-corrected CI 怎么写进 Results？这篇文章以"手工艺传承意愿"为场景，从测量模型到调节中介，一步步用 ChatSRS 跑完，每步给出可以直接抄进论文的 APA 7th 报告句式。

为什么非遗/手工艺研究适合 SEM 框架

传承意愿研究通常涉及多个潜变量——文化认同、学习投入、社会支持、政策感知、传承意愿——彼此之间存在复杂的因果链。普通多元回归只能处理观测变量，无法同时估计测量误差和路径系数。结构方程模型（SEM）天然适合这类设计，原因在于：

测量模型（CFA）：检验每个量表维度的结构效度，报告因子载荷、AVE、CR，为后续路径分析奠定信度基础
路径模型（PA）：在控制测量误差的前提下估计潜变量之间的直接效应
中介检验（Bootstrap）：量化"文化认同 → 学习投入 → 传承意愿"这类间接路径的效应量和置信区间
调节检验（Moderation）：检验"政策感知"是否调节主路径的斜率，并报告交互项的 p 值和效应量

这套组合在非遗/文旅/民族文化方向的期刊论文里已成标配。ChatSRS 的 sem_path 和 moderation 引擎覆盖以上所有环节，68 个字以内的一句话指令即可触发完整报告。

典型研究设计与数据结构

以"苗绣传承意愿影响因素"为例：问卷面向 220 名苗绣学习者，涵盖以下维度（5 点 Likert）：

问卷结构（示意）

文化认同（CI）：CI1–CI4，4 题
学习投入（LE）：LE1–LE4，4 题
社会支持（SS）：SS1–SS3，3 题
政策感知（PP）：PP1–PP3，3 题（调节变量）
传承意愿（TI）：TI1–TI4，4 题（结果变量）

人口学：性别、年龄、学习年限、是否有传承人家庭背景

理论模型（假设链）：

文化认同（CI） → 传承意愿（TI）         H1（直接效应）
文化认同（CI） → 学习投入（LE）→ 传承意愿（TI）  H2（学习投入中介）
社会支持（SS） → 传承意愿（TI）         H3（直接效应）
政策感知（PP） × 文化认同（CI）→ 传承意愿（TI） H4（政策感知调节）

全流程分析演示

第一步：验证性因子分析（CFA）—— 确认测量模型成立

打开 chatsrs.com，上传数据后输入：

"对文化认同（CI1–CI4）、学习投入（LE1–LE4）、社会支持（SS1–SS3）、政策感知（PP1–PP3）、传承意愿（TI1–TI4）做五因子验证性因子分析，报告模型拟合指数（CFI、TLI、RMSEA、SRMR）、各题标准化因子载荷、AVE 和 CR，生成 APA 格式三线表。"

ChatSRS 输出测量模型结果（示意）：

表 1  CFA 标准化因子载荷与信效度指标

维度       题目    载荷     AVE     CR
文化认同   CI1     .74     .58     .85
           CI2     .81
           CI3     .78
           CI4     .72
学习投入   LE1     .80     .61     .86
           LE2     .77
           LE3     .82
           LE4     .76
社会支持   SS1     .83     .64     .84
           SS2     .79
           SS3     .77
政策感知   PP1     .85     .66     .85
           PP2     .80
           PP3     .77
传承意愿   TI1     .79     .60     .86
           TI2     .82
           TI3     .76
           TI4     .74

模型拟合：chi^2(160) = 218.43, p = .002
CFI = .964, TLI = .957, RMSEA = .044 [.025, .061], SRMR = .052

所有因子载荷 >= .70，AVE >= .50，CR >= .80——测量模型通过，可以进入路径分析。

第二步：区分效度检验 —— AVE 平方根法

"检验五个潜变量之间的区分效度，用 AVE 平方根与相关系数矩阵对比（Fornell-Larcker 准则），生成 APA 格式表格。"

ChatSRS 自动输出 Fornell-Larcker 矩阵，对角线为各维度 AVE 的平方根，非对角线为潜变量相关系数。若对角线值均大于同行/列的最大相关系数，区分效度成立。

第三步：结构路径分析 —— 检验直接效应 H1 / H3

"在测量模型通过后，估计结构路径：文化认同 → 传承意愿、社会支持 → 传承意愿；报告标准化路径系数 beta、SE、z 值、p 值和 95% CI，并给出模型拟合指数。"

ChatSRS 输出路径系数表（示意）：

表 2  结构方程模型路径系数（标准化）

路径                    beta    SE      z       p       95% CI
文化认同 → 传承意愿     .38     .07    5.43   <.001   [.24, .52]
学习投入 → 传承意愿     .27     .08    3.38   <.001   [.11, .43]
社会支持 → 传承意愿     .21     .06    3.50   <.001   [.09, .33]

R^2 (传承意愿) = .48
模型拟合：CFI = .962, RMSEA = .046, SRMR = .054

第四步：中介效应检验 —— H2"学习投入"中介路径

"用 Bootstrap 5000 次检验文化认同通过学习投入对传承意愿的间接效应，报告间接效应点估计、Bias-corrected 95% CI，并将总效应分解为直接效应 + 间接效应。"

ChatSRS 输出：

中介效应分解（Bootstrap n = 5000, Bias-corrected 95% CI）

路径                               效应量   SE    95% CI
直接效应  CI → TI                  .29     .07   [.16, .42]
间接效应  CI → LE → TI             .09     .03   [.04, .17]
总效应    CI → TI                  .38     .07   [.24, .52]

中介效应占总效应比例（PM）= 23.7%

间接效应的 95% CI 不含 0，学习投入的部分中介效应显著成立。

第五步：调节效应检验 —— H4"政策感知"调节文化认同 → 传承意愿

"检验政策感知对文化认同到传承意愿路径的调节效应：将文化认同、政策感知及其乘积项（标准化后）同时纳入方程，报告交互项的 beta、p 值和 95% CI，生成简单斜率图说明调节方向。"

ChatSRS 输出（示意）：

调节效应结果（结果变量：传承意愿）

预测变量                  beta    SE      p       95% CI
文化认同（CI）            .38     .07    <.001   [.24, .52]
政策感知（PP）            .14     .06     .020   [.02, .26]
CI × PP（交互项）         .18     .07     .012   [.04, .32]

R^2 增量（交互项引入后）= .03, p = .012

简单斜率分析：
  高政策感知（+1 SD）：beta = .52, p < .001
  低政策感知（-1 SD）：beta = .24, p = .018
政策感知越强，文化认同对传承意愿的正向效应越大。

论文方法/结果写法（APA 7th，可直接入论文）

方法章节：数据分析策略

本研究采用结构方程模型（SEM）检验假设模型，分两步进行（Anderson & Gerbing, 1988）。第一步，对五个潜变量进行验证性因子分析（CFA），评估测量模型的拟合度及各指标的因子载荷、平均方差提取量（AVE）和组合信度（CR）。第二步，在测量模型通过后估计结构路径系数。中介效应采用 Bootstrap 法（重复抽样 5000 次）检验，报告偏差校正 95% 置信区间（BC 95% CI）；调节效应以乘积项法（标准化后）引入方程，并进行简单斜率分析。所有分析使用 ChatSRS 完成（R 引擎，lavaan 包，显著性水平 alpha = .05）。

结果章节：测量模型（CFA）

验证性因子分析结果显示，五因子测量模型拟合指数良好，chi^2(160) = 218.43，p = .002，CFI = .964，TLI = .957，RMSEA = .044，90% CI [.025, .061]，SRMR = .052（Hu & Bentler, 1999）。所有条目的标准化因子载荷介于 .72 至 .85 之间，均超过 .70 的推荐阈值（Hair et al., 2019）。各维度的平均方差提取量（AVE = .58–.66）均超过 .50 的标准，组合信度（CR = .84–.86）均超过 .80，表明聚合效度良好。Fornell-Larcker 矩阵显示各维度 AVE 平方根均大于其与其他维度的相关系数，区分效度成立。

结果章节：路径系数与中介效应

结构路径分析结果（表 2）显示，文化认同对传承意愿具有显著正向直接效应（beta = .29，p < .001，95% CI [.16, .42]），社会支持对传承意愿亦有显著正向效应（beta = .21，p < .001，95% CI [.09, .33]），H1 和 H3 均得到支持。Bootstrap 中介检验（n = 5000）显示，文化认同通过学习投入对传承意愿的间接效应显著（间接效应 = .09，SE = .03，BC 95% CI [.04, .17]），置信区间不含零，H2 得到支持；间接效应占总效应的比例为 23.7%，学习投入发挥部分中介作用。

结果章节：调节效应

结构方程模型调节效应检验结果显示，文化认同与政策感知的乘积项（标准化交互项）对传承意愿有显著正向预测作用（beta = .18，p = .012，95% CI [.04, .32]），交互项引入后 R^2 增量为 .03（p = .012），H4 得到支持。简单斜率分析表明，在高政策感知水平（+1 SD）下，文化认同对传承意愿的正向效应更强（beta = .52，p < .001），在低政策感知水平（-1 SD）下效应减弱但仍显著（beta = .24，p = .018），表明政策感知正向调节文化认同与传承意愿之间的关系。

以上四段可直接放入论文 Methods 和 Results 章节，替换为你自己数据的数值即可。在 chatsrs.com 上传数据后输入：

"做五因子 SEM，潜变量为文化认同（CI1–CI4）、学习投入（LE1–LE4）、社会支持（SS1–SS3）、政策感知（PP1–PP3，调节变量）、传承意愿（TI1–TI4），检验 CI 通过 LE 的中介效应（Bootstrap 5000 次 BC 95% CI）以及 PP 对 CI→TI 路径的调节效应，生成 APA 7th 格式完整报告。"

ChatSRS 会依次输出 CFA 结果表、结构路径系数表、中介效应分解表、调节效应表，以及各步骤可直接进论文的报告段落。

常见 FAQ

Q1: 非遗传承意愿量表自己编的，还需要先做探索性因子分析（EFA）吗？

如果是自制量表或国内首次汉化的量表，建议在 CFA 之前先做 EFA——通常把样本对半分（随机），用前一半跑 EFA 确认因子结构，再用后一半跑 CFA 验证。

在 ChatSRS 里可以分步输入：

"对前 110 份数据做探索性因子分析（最大似然法 + 斜交旋转），抽取因子数量由特征根 > 1 和碎石图确定，报告 KMO、Bartlett 检验和因子载荷矩阵。"
"用后 110 份数据对上述因子结构做验证性因子分析，报告拟合指数和标准化载荷。"

若量表来自已发表的成熟研究，可以直接从 CFA 开始。

Q2: SEM 模型拟合不好（CFI < .90 / RMSEA > .08）怎么改？

拟合不佳的常见原因和解决路径：

修正指数（MI）法：ChatSRS 输出 MI 报告，找 MI 值最大的跨因子残差相关，若理论可以解释，允许两个误差项相关（在 lavaan 里加 ~~ 关系）
删除低载荷题目：因子载荷 < .50 的题目一般可以删除，重跑 CFA
检查题目表述：非遗研究里"政策感知"和"社会支持"的题目容易混淆，双重载荷（cross-loading）会拉低拟合

在 ChatSRS 里输入：

"输出当前 CFA 的修正指数（MI > 10 的条目），并说明每项残差相关的可能实质含义。"

Q3: 调节中介（有调节的中介）和有中介的调节，哪种适合传承意愿研究？

有调节的中介（Moderated Mediation）：调节变量影响的是中介路径的某段，例如"政策感知调节学习投入 → 传承意愿"这条间接路径的强弱——更常见于资源/条件型的边界条件研究
有中介的调节：中介变量解释调节效应产生的机制——用得相对少

非遗传承意愿研究更多是前者：先确立文化认同通过学习投入的间接路径，再看政策感知在哪一段起放大/削弱作用。在 ChatSRS 里输入：

"检验有调节的中介：政策感知调节文化认同到学习投入的路径（第一段调节），用 Bootstrap 5000 次报告条件间接效应在高、低政策感知水平下的点估计和 BC 95% CI。"

Q4: SEM 样本量多少够？非遗研究通常样本偏小怎么办？

SEM 的经验规则是每个参数估计至少 5–10 个样本，模型复杂度中等（<30 个参数）时 150–200 样本通常可接受。非遗手工艺研究受调查对象限制，样本量常在 150–250 之间，可以：

报告模型检验功效：用 semPower 包（ChatSRS 支持）计算当前样本量下的统计功效，RMSEA 检验的功效 >= .80 即可
选用估计量：如果数据非正态，优先用 MLR（稳健最大似然）而非 ML——ChatSRS 默认在正态性违反时自动切换
简化模型：减少潜变量数量，或将小维度（2–3 题）合并为组合观测变量（parceling）