学科研究 · 2026-07-11

环境心理学研究怎么分析？地方依恋、风险感知与中介调节模型

环境心理学量表研究如何分析？本文从信度、CFA 到中介与调节，说明 ChatSRS 实际参数、输出字段、横截面因果边界和量表适配要求。

环境心理学常研究地方依恋、环境风险感知、绿色身份与亲环境行为。最常见的数据是一次性问卷，但论文经常把“变量同时相关”写成“地方依恋先改变风险感知，再导致行为”。横截面中介模型只能检验一组统计关联是否与理论路径相容，不能确认时间顺序，更不能排除反向因果。可靠流程要先审计量表，再区分测量模型、结构关联与因果主张。

从研究问题到变量表

假设地方依恋由 place1–place4 测量，风险感知由 risk1–risk4 测量，亲环境行为由 behavior1–behavior4 测量，绿色身份 identity 被设为调节变量。首先确认所有题目的量尺、反向计分、缺失和使用授权。翻译量表还要记录正反向翻译、认知访谈与文化适配；高 alpha 不能替代这些证据，也不能证明不同地区对题目理解相同。

在受控数据准备中按预设规则生成量表分数。分析器不会把信度输出自动写回数据集，因此 place_mean、risk_mean、behavior_mean 必须已经存在并通过值域、最低有效题数和缺失规则核查。不要在看到回归结果后才删除题目或改变计分方式。

信度与 CFA 的真实边界

reliability 简单表输出维度、项数、样本量和 Cronbach alpha；--detail 会替换为题项均值、标准差、校正题总相关、删除后 alpha 和维度 alpha，详细表不含 N。若论文同时需要 N 和题项诊断，应分别保存两次真实输出。alpha 只反映内部一致性的一部分，不证明单维度、效标效度或测量不变性。

cfa 当前通过 R/lavaan 拟合预设测量模型，需要 JSON factor_mapping，至少 2 个潜变量，每个至少 2 个观测指标。估计器允许 ML、GLS、WLS；分析把指标转为数值并使用完整记录，清洗后 N<50 报错，N<200 警告。Markdown 输出非标准化与标准化载荷、SE、z、p、SMC，AVE、CR、Fornell–Larcker 表，以及 GFI、AGFI、RMSEA、SRMR、NFI、IFI、CFI、TLI、χ²/df、PGFI 和有效 N。

**边界：**当前 CFA formatter 自带阈值和“接受/不接受”标签，但阈值不能替代领域规范与整体判断。WLS 选项也不等于已经为有序题项自动选择最佳估计器。量表是有序类别、分布严重偏态或样本复杂时，应由验证流程核对估计器、相关矩阵和稳健修正。

可复核输入示例：

对 place1–place4、risk1–risk4、behavior1–behavior4 分别保存 reliability simple 与 detail 输出；随后用 factor_mapping={"地方依恋":["place1","place2","place3","place4"],"风险感知":["risk1","risk2","risk3","risk4"],"亲环境行为":["behavior1","behavior2","behavior3","behavior4"]} 运行 CFA，报告实际载荷、AVE/CR、Fornell–Larcker、拟合指标和完整案例 N。不得用 alpha 或单一拟合阈值宣布量表必然有效。

中介分析怎么用才不越界

mediation_analysis 接受 X、一个或多个 M、Y 和协变量，使用 OLS 与默认 5000 次 Bootstrap。它输出总效应、a 路径、b 路径、直接效应、间接效应、Bootstrap SE、百分位 95% CI、p、标准化 Beta、R²、调整 R²、F 和 N；有效数据少于 30 会报错，所需变量按完整记录处理。

可输入：

以 place_mean 为 X、risk_mean 为 M、behavior_mean 为 Y，控制 age、education，运行 5000 次 Bootstrap 中介；报告 c、a、b、c'、a×b 和百分位 95% CI。明确三变量来自同一次横截面测量，结果只称“间接关联”，不写成地方依恋先造成风险感知再导致行为。

若间接效应为 0.12，95% CI [0.03, 0.23]，只能说指定模型下间接关联区间不含 0。内部“完全中介/部分中介”标签不能代替研究设计；直接效应不显著也不证明所有作用都经过 M。反向路径、共同方法偏差和未测混杂都要在讨论中保留。

调节模型与实际输出

moderation_analysis 需要 X、Y、W，可选控制变量。它对 X 和 W 中心化，建立控制变量、主效应、交互项三层回归，输出每层 B、SE、t、p、Beta、R²、调整 R²、ΔR²、ΔF 和 N。当前注册 CLI 只有交互显著时才输出 W 在均值及正负 1SD 的简单斜率、SE、t、p、95% CI 与绘图坐标；分析器内部虽有 force_output，通用 CLI 没有对应参数，不能把它写成当前可提交能力。绘图还依赖 R 环境。

输入可以写为：

以 place_mean 为 X、behavior_mean 为 Y、identity 为 W，控制 age 与 education，报告三层回归和 place_mean×identity。若交互项显著，再报告 ±1SD 简单斜率和区间；若不显著，不用强制图形制造“趋势”，也不把高低组斜率差异写成实验因果。

交互项 B=0.08、p=.04 表示在当前中心化和线性模型下，W 每增加 1 单位，X 的斜率增加 0.08。它不表示每个个体都会改变，也不证明身份干预能提高行为。应检查量尺范围、异常点、非线性和测量误差。

学科交付清单

报告量表来源与授权、翻译适配、反向计分、最低有效题数、样本流程、缺失处理、信度 simple/detail、CFA 语法与估计器、模型公式、效应区间和替代解释。敏感位置数据要去标识；精确住址、活动轨迹和小社区组合不得上传。跨地区比较还需要测量不变性，不可直接比较潜变量均值。

还要避免把测量模型和结构模型混成一次“通过”。CFA 拟合不理想时，应先复核题目翻译、反向计分、异常协方差与理论结构，不能看到修正指数就连续连接误差项。结构路径显著也不能补救测量失真；反过来，量表拟合可接受也不保证中介或调节成立。若同一批样本同时完成量表筛选、模型修改和最终检验，应披露探索性，并尽可能用独立样本或交叉验证复核。

常见问题 FAQ

Q1：横截面中介 CI 不含 0，能写因果机制吗？

不能。它只支持指定模型下的间接关联，时间顺序、未测混杂和反向路径仍未解决。

Q2：alpha 高就可以跳过 CFA 吗？

不可以。内部一致性与预设因子结构回答不同问题，量表核心研究通常需要独立测量证据。

Q3：调节交互不显著还能画简单斜率吗？

当前注册 CLI 只有交互显著才生成，且未接入内部 force_output；论文也不应靠图形暗示不存在的调节证据。

Q4：CFA 的“接受”标签等于量表通过吗？

不等于。应结合估计器、载荷、残差、拟合区间、理论、样本与文化适配综合判断。