教程 · 2026-06-24

多层中介分析用 AI 完成 — 1-1-1 与 2-1-1 跨层效应、组内组间分解、Bootstrap/蒙特卡洛 CI 全攻略

多层中介分析完整教程：用 AI 一句话完成 1-1-1 与 2-1-1 跨层设计，自动输出组内组间效应分解、间接效应置信区间（Bootstrap 与蒙特卡洛法），并给出符合 APA 7th 格式的论文报告模板。

数据有嵌套结构（员工嵌套在团队里、学生嵌套在学校里），还要检验中介效应？普通 Baron-Kenny 三步法的前提——观测独立——在这里从根本上不成立。这篇教程教你用 AI 一句话完成多层中介分析，跨层效应、组内组间分解、Bootstrap CI 全部自动输出。

为什么普通中介分析在嵌套数据上失效

社会科学、组织行为学、教育学研究里，数据几乎天然带有层次结构：

员工（第 1 层）嵌套于团队/部门（第 2 层）
学生（第 1 层）嵌套于班级（第 2 层）再嵌套于学校（第 3 层）
病人（第 1 层）嵌套于医生/诊所（第 2 层）

这类数据的核心问题是同一组内的个体观测不独立——同一个团队的员工共享相同的领导风格、组织文化，相互影响。如果强行用普通回归或 Hayes PROCESS，就会：

标准误被低估：独立性假设被违反，t 和 F 统计量虚高，I 类错误率膨胀
组级变量的效应被歪曲：第 2 层变量（如领导风格）的方差人为地分摊到第 1 层残差，导致参数偏倚
组内与组间效应混淆：同一变量（如工作压力）既有个体差异部分，又有组间差异部分，两种效应含义完全不同，却被压缩成一个系数

**多层中介分析（Multilevel Mediation Analysis）**通过引入随机效应，显式地将方差分解为组内（within）和组间（between）两个层次，再在每个层次分别估计中介路径，从而给出统计上正确、含义上清晰的效应估计。

核心设计：1-1-1 与 2-1-1 是什么意思

命名规则

多层中介分析按变量所在层次的组合命名，格式为 X-M-Y，每个数字代表该变量位于第几层：

设计类型	X（自变量）	M（中介变量）	Y（因变量）	典型场景
1-1-1	第 1 层	第 1 层	第 1 层	员工压力 -> 情绪耗竭 -> 工作绩效
2-1-1	第 2 层	第 1 层	第 1 层	领导风格 -> 员工自主感 -> 创新行为
2-2-1	第 2 层	第 2 层	第 1 层	团队凝聚力 -> 组织支持 -> 个体满意度
1-2-1	第 1 层	第 2 层	第 1 层	个人特质 -> 团队氛围 -> 个体表现

本文重点讲解最常见的两种：1-1-1（纯组内中介）与 2-1-1（跨层中介）。 它们覆盖了组织行为学、教育学、临床护理等领域 80% 以上的嵌套中介设计。

1-1-1 设计：三个变量全在第 1 层

所有变量都在个体层次（L1），但因为数据嵌套，个体间不独立。此时中介效应既有组内成分（within-group），也有组间成分（between-group）：

组内间接效应（a_w × b_w）：在组内，个体 X 高于本组均值时，其 M 和 Y 随之变化的路径
组间间接效应（a_b × b_b）：在组间，某组 X 均值较高时，该组 M 和 Y 均值随之变化的路径

如果不做分解，直接用混合效应模型跑，得到的是两种效应的混合，解读上存在严重的生态学谬误（ecological fallacy）风险。

2-1-1 设计：跨层中介——X 在第 2 层，M 和 Y 在第 1 层

这是组织研究中最经典的跨层设计。第 2 层变量 X（如领导的变革型领导行为得分）通过影响第 1 层个体的中介变量 M（如心理安全感），最终影响第 1 层结果 Y（如建言行为）。

此时中介路径的两条腿分属不同层次：

a 路径（X -> M）：是跨层效应，X 是组级变量，M 是个体变量；在 L1 的 M 方程里，X 作为 L2 预测变量出现，其系数 a 捕捉的是"领导风格每高一个单位，员工的心理安全感平均高出多少"
b 路径（M -> Y）：是L1 个体层次效应，在控制 X 后，个体 M 每高一单位，Y 高出多少

跨层间接效应 = a × b，置信区间需要用蒙特卡洛法或参数化 Bootstrap 来获得（因为 a 和 b 分属不同层次，其乘积的抽样分布是非对称的，无法用 Sobel 检验的正态假设）。

组内组间分解：为什么一定要做

以 1-1-1 设计为例，假设 X 是"工作超载"（个体每日感知），M 是"情绪耗竭"，Y 是"帮助行为"，数据嵌套于 50 个团队。

若不分解，用单一的 X 系数同时捕捉组内变化和组间差异，则：

组内：某员工今天比平时更超载，他今天的情绪耗竭也更重，帮助行为更少
组间：某团队的平均超载水平高，该团队员工的平均帮助行为是否也低？

这两个问题是完全不同的科学问题。组内效应回答"同一个人在高负荷状态下的内部变化"，组间效应回答"团队文化或结构性差异"。混在一起报告的系数是两者的加权平均，对任何一个问题的回答都不准确。

正确操作：对每个 L1 变量做组均值中心化（group-mean centering），将其分解为：

组均值中心化得分（= 原始值 - 组均值）= 纯粹的组内方差部分
组均值本身（作为 L2 变量加入）= 组间方差部分

ChatSRS 在运行多层中介时会自动执行这一分解，并分别报告组内和组间间接效应。

案例数据：变革型领导 -> 心理安全感 -> 建言行为（2-1-1 跨层设计）

研究背景

某组织行为学研究探讨变革型领导对员工建言行为的跨层中介机制。数据来自某集团公司 48 个部门、462 名员工，组均样本量约 9.6 人。

变量设置

第 2 层（部门/团队，N = 48）：
  tl_score      变革型领导风格得分（由各部门统一评分，4-20 分）

第 1 层（员工，N = 462）：
  psych_safe    心理安全感（中介变量，6 题，1-5 分 Likert 量表，取均值）
  voice         建言行为（结果变量，5 题，1-5 分 Likert 量表，取均值）
  tenure        工龄（年，控制变量）
  gender        性别（0 = 女，1 = 男，控制变量）

研究假设：变革型领导（L2）通过提升员工心理安全感（L1，中介）促进建言行为（L1），即 2-1-1 跨层中介成立。

数据结构示例

dept_id   emp_id   tl_score   psych_safe   voice   tenure   gender
001       0101     15.2       3.8          3.6     4.2      1
001       0102     15.2       4.1          3.9     7.1      0
001       0103     15.2       3.5          3.3     2.8      1
002       0201     12.7       3.1          2.9     3.5      0
002       0202     12.7       3.4          3.2     5.6      1
...（共 462 行）

注意：同一部门内所有员工共享同一个 tl_score（L2 变量），这是 2-1-1 设计的典型数据结构。

用 AI 一句话完成多层中介分析

在 chatsrs.com 上传数据后输入：

"数据嵌套结构：462 名员工（L1）嵌套于 48 个部门（L2），主键 dept_id 标识组别。请做 2-1-1 跨层中介分析：

X（L2）= tl_score（变革型领导），M（L1）= psych_safe（心理安全感），Y（L1）= voice（建言行为）

控制变量（L1）= tenure、gender

请输出：

零模型（ICC）确认嵌套数据必要性

M 方程和 Y 方程的随机截距模型参数（含固定效应、随机效应方差、Var(M)分解）

跨层间接效应（a × b）及其 95% CI（蒙特卡洛法，迭代 20000 次）

直接效应 c' 及总效应 c

效应量（标准化间接效应）

APA 7th 格式中文文字描述"

ChatSRS 同时调用 SPSS、R（lme4/mediation）和 Stata（mixed/medsem）三引擎并行计算，60 秒后输出完整六部分结果。

输出结果怎么读

第一块：零模型与 ICC

在做任何分析之前，必须先确认嵌套数据中组间差异是否显著——即是否真的需要用多层模型。

零模型（Null Model）结果
  固定效应（截距）：voice = 3.41, SE = 0.08, t = 42.63, p < .001
  随机效应：
    组间方差（Level 2 截距方差）：tau_00 = 0.214
    组内方差（Level 1 残差方差）：sigma^2 = 0.387

  组内相关系数（ICC） = tau_00 / (tau_00 + sigma^2)
                      = 0.214 / (0.214 + 0.387)
                      = .356

  卡方检验（随机截距必要性）：chi^2(1) = 87.4, p < .001

如何判断：

ICC 值	含义	是否需要多层模型
< .05	组间差异极小，组内相关可忽略	可用 OLS，但多层不会错
.05 ~ .10	中等组间差异	建议用多层模型
> .10	显著的组间变异	必须用多层模型

本例 ICC = .356，表明因变量（建言行为）约 35.6% 的方差来自团队层面差异，嵌套结构不可忽视，必须使用多层模型。

第二块：中介分析路径估计

表 1  2-1-1 跨层中介路径估计（N_L1 = 462, N_L2 = 48）

                          M 方程（psych_safe 为因变量）
                          B        SE      t        p        95% CI
固定效应（L2）
  tl_score（a 路径）      0.142    0.031   4.58     <.001    [0.081, 0.203]
控制变量（L1）
  tenure                  0.023    0.009   2.56     .011     [0.005, 0.041]
  gender                 -0.048    0.067  -0.72     .474    [-0.179, 0.083]
  截距                    2.134    0.385   5.54     <.001    [1.375, 2.893]
随机效应
  Var（截距，L2）         0.108
  Var（残差，L1）         0.312

                          Y 方程（voice 为因变量）
                          B        SE      t        p        95% CI
固定效应
  psych_safe（b 路径）    0.518    0.058   8.93     <.001    [0.404, 0.632]
  tl_score（直接效应 c'） 0.037    0.029   1.28     .207    [-0.020, 0.094]
控制变量（L1）
  tenure                  0.018    0.008   2.25     .025     [0.002, 0.034]
  gender                 -0.031    0.060  -0.52     .606    [-0.149, 0.087]
  截距                    1.087    0.332   3.27     .002     [0.434, 1.740]
随机效应
  Var（截距，L2）         0.064
  Var（残差，L1）         0.256

注：所有 L1 连续变量已做组均值中心化；tl_score 已做总均值中心化。
   95% CI 基于 t 分布近似；间接效应 CI 见下方蒙特卡洛结果。

路径解读：

a 路径（tl_score -> psych_safe）= 0.142，p < .001：领导得分每高 1 分，该部门员工的心理安全感平均高 0.142 个单位，跨层效应显著
b 路径（psych_safe -> voice，控制 tl_score 后）= 0.518，p < .001：心理安全感每高 1 单位，建言行为高 0.518 单位
直接效应 c'（tl_score -> voice，控制 psych_safe 后）= 0.037，p = .207：不显著，提示领导力对建言的影响主要通过心理安全感中介

第三块：间接效应与置信区间

多层中介的间接效应 = a × b = 0.142 × 0.518 = 0.0736。

但这个乘积的抽样分布并不对称（a 来自 L2，b 来自 L1，两个估计值的不确定性规模不同），因此不能用 Sobel 检验的正态假设，必须用蒙特卡洛法或参数化 Bootstrap 生成置信区间。

间接效应置信区间（蒙特卡洛法，R = 20000）

  a 路径估计：B = 0.142, SE = 0.031
  b 路径估计：B = 0.518, SE = 0.058

  间接效应（a × b）        = 0.0736
  蒙特卡洛 95% CI          = [0.0418, 0.1135]
  蒙特卡洛 90% CI          = [0.0487, 0.1044]

  标准化间接效应（beta）   = 0.213
  效应量解读（Preacher & Kelley, 2011 kappa^2）：
    kappa^2 = 0.184（中等偏大效应，参考：小 = .01，中 = .09，大 = .25）

直接效应 c'               = 0.037, 95% CI [-0.020, 0.094]（不显著）
总效应 c                  = 0.037 + 0.0736 = 0.1106

中介类型：完全中介（Full Mediation）——直接效应不显著，间接效应 CI 不含 0

关键判断规则：

间接效应 95% CI	直接效应 c'	中介类型
不含 0	显著	部分中介（Partial Mediation）
不含 0	不显著	完全中介（Full Mediation）
含 0	—	中介不成立

本例间接效应 CI = [0.0418, 0.1135]，不含 0，且直接效应不显著，结论为完全中介。

第四块：蒙特卡洛法 vs Bootstrap CI 的选择

方法	原理	适用场景	ChatSRS 默认
蒙特卡洛法（Monte Carlo）	基于 a、b 的估计值和协方差矩阵，从多变量正态分布中抽取 R 次模拟，得到间接效应分布	多层中介（跨层设计）；参数化 Bootstrap 在 L2 样本量小时计算困难	是（多层中介）
参数化 Bootstrap	基于已拟合模型参数自举，不依赖 a 和 b 的正态性	样本量较大的单层中介（PROCESS）；L2 单元数 >= 50 的多层设计	否（默认蒙特卡洛）
Sobel 检验	假设 a × b 的抽样分布为正态	不推荐用于多层设计；仅适用于单层、大样本、对称分布情形	不使用

为什么多层中介不用 Sobel 检验：跨层间接效应 a × b 中，a 来自 L2 固定效应（估计精度受 L2 组数限制），b 来自 L1 固定效应，二者的标准误量级不同，相乘后的分布是非对称的，Sobel 检验假设的正态性严重失真，会导致置信区间过宽或过窄。

论文里怎么报告（APA 7th 格式）

APA 对多层中介的报告要求：明确报告 ICC、随机效应方差分量、间接效应及其 CI 生成方法。以下是可直接复制进论文的句式模板：

方法节（多层中介分析部分）：

采用多层中介分析检验变革型领导对建言行为的跨层作用机制（2-1-1 设计）。首先建立仅含随机截距的零模型，计算组内相关系数（ICC）以确认嵌套结构的必要性。在确认嵌套效应显著后，分别估计中介变量方程（心理安全感为因变量）和结果变量方程（建言行为为因变量），所有第 1 层连续变量均采用组均值中心化（group-mean centering），领导力得分（L2）采用总均值中心化（grand-mean centering）。间接效应（a × b 乘积）的 95% 置信区间通过蒙特卡洛法（Monte Carlo method，迭代次数 20,000 次；Preacher & Selig, 2012）获得。所有分析采用 R 4.4（lme4 + mediation 包）实施，检验水准 alpha = .05（双尾）。

结果节（多层中介检验部分）：

零模型结果显示，建言行为的 ICC = .356，chi^2(1) = 87.4, p < .001，表明约 35.6% 的方差来源于团队层面，多层模型使用具有必要性。

在控制员工工龄和性别后，变革型领导（L2）对员工心理安全感（L1）的跨层效应显著，B = 0.142, SE = 0.031, t(47) = 4.58, p < .001, 95% CI [0.081, 0.203]（a 路径）。心理安全感对建言行为的效应亦显著，B = 0.518, SE = 0.058, t(461) = 8.93, p < .001, 95% CI [0.404, 0.632]（b 路径）。变革型领导对建言行为的直接效应不显著，B = 0.037, SE = 0.029, p = .207, 95% CI [-0.020, 0.094]（c' 路径）。

蒙特卡洛法（R = 20,000）结果显示，跨层间接效应显著，B = 0.074, 95% CI [0.042, 0.114]（间接效应 CI 不含 0），标准化间接效应 beta = 0.213（kappa^2 = 0.184，中等偏大效应量；Preacher & Kelley, 2011）。直接效应不显著，表明心理安全感对变革型领导与建言行为之间的关系发挥完全中介作用。

APA 报告格式规范总结：

要素	APA 格式示例
ICC	ICC = .356（小数点前不写 0）
零模型卡方	chi^2(1) = 87.4, p < .001
固定效应	B = 0.142, SE = 0.031, t(47) = 4.58, p < .001
固定效应 CI	95% CI [0.081, 0.203]（方括号）
间接效应	B = 0.074, 95% CI [0.042, 0.114]
效应量	kappa^2 = 0.184 或标准化 beta = 0.213
蒙特卡洛说明	"Monte Carlo method (R = 20,000; Preacher et al., 2010)"

特别注意：APA 7th 要求区分 B（非标准化）和 beta（标准化），不可混用；置信区间使用方括号 [ ] 而非圆括号 ( )；t 检验的括号内自由度对 L2 固定效应和 L1 固定效应是不同的（分别约为 L2 组数 - 参数数、L1 个体数 - 参数数），二者都需在方法节说明。

1-1-1 设计的特殊处理：组内与组间间接效应双报告

如果三个变量全在 L1（如员工每日工作压力 -> 情绪耗竭 -> 帮助行为），就要做 Bauer et al.（2006）的组内-组间分解，分别报告两个间接效应。

ChatSRS 对 1-1-1 数据会自动执行：

对 X 和 M 做组均值中心化，分离出组内成分（X_w, M_w）
将组均值（X_b, M_b）作为 L2 变量加入模型
分别估计组内间接效应（a_w × b_w）和组间间接效应（a_b × b_b）
各自用蒙特卡洛法生成 95% CI

报告时需同时给出两个间接效应及其 CI，例如：

组内间接效应（within-group）B = 0.051, 95% CI [0.028, 0.083]，不含 0，显著。组间间接效应（between-group）B = 0.112, 95% CI [0.041, 0.198]，不含 0，显著。两种中介路径共同支持了压力通过情绪耗竭影响帮助行为的假设，但组间效应更强，提示团队层面的慢性压力文化对结果的影响大于个体日常压力波动。

常见问题 FAQ

Q1：L2 组数（组数）少到什么程度不适合做多层中介？

A：多层模型对 L2 样本量的要求远高于 L1。一般经验规则：L2 >= 30 组时随机截距的方差估计才稳健，L2 >= 50 组才能可靠估计随机斜率。若 L2 < 20，蒙特卡洛 CI 对 L2 层面的 a 路径估计不确定性会很大，此时需谨慎解读或改用贝叶斯多层模型。ChatSRS 在 L2 < 30 时会自动警告并建议谷仓型模型或贝叶斯替代方案。

Q2：多层中介和 SEM 路径模型做中介有什么区别？何时用哪个？

A：两者都能检验中介，但机制不同。SEM 路径模型（见结构方程模型教程）适合无嵌套、测量误差需要显式建模的情景，支持潜变量中介。多层中介专门处理嵌套数据中的跨层中介路径，对测量误差无直接建模。如果数据有嵌套结构，且中介变量是观测变量（如量表均值），优先选多层中介；若无嵌套且需要潜变量，选 SEM。两者不可互换替代。

Q3：间接效应用蒙特卡洛法和 Bootstrap 得到的 CI 总是有差异，应该报告哪个？

A：两种方法对多层中介都是可接受的，APA 对此没有强制要求。差异通常很小，若结论（CI 是否含 0）不一致，说明效应本身处于边缘显著，需结合理论意义判断。推荐默认使用蒙特卡洛法（L2 组数偏少时计算更稳定），并在方法节注明迭代次数和软件包，保证可重复性。ChatSRS 默认蒙特卡洛 20,000 次，并在输出中同时显示 90% 和 95% CI 以供参考。

Q4：中介变量是二分类变量（0/1）或有序变量（Likert 4 级），能做多层中介吗？

A：标准的线性多层中介假设 M 和 Y 为连续变量。若 M 为二分类，需改用多层 Logistic 中介（Multilevel Mediation with Binary Mediator），间接效应在 log-odds 尺度定义，解读需换算为 OR；若 M 为有序 Likert 量表但题目数 >= 5，通常可作为连续变量近似处理（Rhemtulla et al., 2012）。告诉 ChatSRS"中介变量是二分类"或"中介是 4 级有序变量"，系统会自动切换到相应模型并给出适配的 APA 报告句式。

Q5：分析结果中随机斜率方差不显著，还需要加随机斜率吗？

A：随机斜率（即 b 路径在各组间是否有变异）是理论问题，不应仅凭显著性决定是否纳入。若理论上预期 b 路径在不同组别中是稳定的（如大型组织行为实验），仅保留随机截距的模型在统计上更简洁（也更稳健，尤其 L2 组数小时）。若理论上认为中介效应强度在团队间有差异（如探索调节中介），则应保留随机斜率并对其方差显著性做 LRT 检验。ChatSRS 默认输出两种模型的对比（随机截距 vs 随机截距+斜率），并给出 AIC/BIC 供选择。

小结

多层中介分析是嵌套数据中检验中介机制的统计金标准，难点集中在四处：设计类型的正确判断（1-1-1 / 2-1-1 / 2-2-1）、组内组间效应的显式分解、间接效应 CI 的正确生成方法（蒙特卡洛而非 Sobel）、以及 APA 格式中 ICC 和随机效应方差的规范报告。

在 chatsrs.com 用一句自然语言指令，即可获得：

零模型 ICC + 嵌套必要性检验
M 方程和 Y 方程的随机截距（或随机斜率）固定效应表
间接效应蒙特卡洛 CI（20,000 次迭代）
标准化效应量（kappa^2 / beta）
可直接粘贴进论文的 APA 7th 格式中英文描述