学科研究 · 2026-07-11

社会工作干预效果怎么评估？前后测、混合模型与中介分析

社会工作项目的干预效果如何评估？本文从前后测设计、随机截距混合模型到 Bootstrap 中介，说明 ChatSRS 实际输出、因果边界和隐私要求。

社会工作项目常用前后测问卷评估服务对象的孤独感、自我效能或社会支持。数据看似只要比较两次均值，真正的难点却是：同一个人重复测量、服务对象可能退出、干预组与对照组起点不同、项目参与程度由需求和资源共同决定。统计分析可以描述变化和关联，但如果没有随机分配、可信对照或明确识别设计，不能把所有改善都归因于项目。

先决定估计对象

“参加者前后是否变化”与“项目相对未参加时带来多少变化”不是同一个问题。只有一个服务组和两次测量时，配对 t 检验回答同一批完整配对者的平均差是否偏离零。若有干预组与对照组，核心通常是组别×时间交互，而不是分别在两组做显著性检验。若有三次以上随访、时间不齐或个体缺测，混合模型能更自然地表示重复观测，但模型假设仍需核查。

结局、时间点、主要比较和协变量应在分析前锁定。把多个相近量表都试一遍、只展示显著结果，会放大错误发现。项目中退出往往与困难程度或满意度相关，完整案例结果可能偏向坚持到最后的人，应报告流失流程和基线差异。

敏感数据先去标识

社会工作数据可能包含未成年人、健康状况、家庭暴力、贫困、残障、矫治或移民经历。上传前必须删除姓名、联系方式、身份证、住址、社工备注和可识别自由文本；小机构、罕见处境与精确日期组合也可能重新识别。使用随机研究编号，并将对应表留在受控环境。统计输出不得用于自动决定个案服务、福利资格或风险处置。

当前方法一：配对样本 t 检验

paired_ttest 当前按成对完整记录计算两次测量的均值、标准差、均值差、t 和 p；详细输出还包括差值标准差和 d_av。它适合两个时间点、连续或近似连续结局的同一对象比较。它不会估计干预组与对照组的变化差，也不会自动处理第三个时间点、聚类或非随机流失。

因此，干预组前后 p<.05、对照组前后 p>.05，并不证明两组变化不同。必须直接检验变化差或组别×时间交互。若差值严重偏态或有天花板效应，还要评估 t 检验假设并考虑匹配的稳健方法。

当前方法二：线性混合效应模型

mixed_effects 当前需要连续因变量、受试者或群组 ID，以及至少一个固定效应变量。它对数值变量转型后使用完整记录，N 至少 20；通过 statsmodels MixedLM 以 REML 拟合随机截距模型。输出固定效应的 B、标准误、z、p，模型 LL、AIC、BIC、ICC、N、组数，以及组间截距方差和残差方差。

**严格边界：**当前实现只建立按 group_var 的随机截距，没有随机斜率，也没有自动构造时间×组别交互、事后边际均值或小样本自由度修正。要比较组间变化，必须在输入中事先正确编码时间、组别和交互项；若研究需要随机时间斜率、中心层级或非正态结局，应转到验证过的匹配模型。

一句话可以这样提交：

以 wellbeing 为连续因变量，participant_id 为 group_var；固定效应使用 time、group 和预先生成的 time_group 交互，控制 baseline_risk。输出随机截距 MixedLM 的 B、SE、z、p、LL、AIC、BIC、ICC、N 与组数。明确当前无随机斜率、无边际均值，time_group 系数只在编码与模型假设成立时表示组间变化差。

当前方法三：Bootstrap 中介分析

mediation_analysis 可指定 X、一个或多个 M、Y 和协变量，默认 5000 次 Bootstrap。它用 OLS 估计总效应、a 路径和包含中介的完整模型，输出 B、标准误、t、p、标准化 Beta、R²、调整 R²、F，以及间接效应、Bootstrap SE、z、p、百分位 95% CI、直接效应和内部中介类型。有效数据少于 30 会报错；分析使用所需变量的完整记录，文本变量可能被排序编码并警告。

这套结果说明统计中介关联，不自动建立时间顺序或因果中介。若 X 是项目参与、M 是自我效能变化、Y 是幸福感变化，最好让 X 先于 M、M 先于 Y 测量，并讨论未测混杂。横断面同次问卷即使间接效应区间不跨零，也不能写成“项目通过自我效能导致改善”。

提交示例：

以 project_group 为 X、self_efficacy_change 为 M、wellbeing_change 为 Y，控制 baseline_wellbeing 和 age，运行 5000 次 Bootstrap 中介。报告总效应、a、b、直接效应、间接效应与百分位 95% CI；只解释统计关联，不作因果中介保证，并披露完整案例 N 与退出情况。

输出如何写进论文

假设混合模型交互 B=2.10，p=.03，可写“在当前编码下，项目组相对于对照组的平均变化多 2.10 分”；仍需报告区间、量表范围和实质意义。ICC=.28 表示当前随机截距模型中约 28% 变异位于个体间，不是“模型解释了 28%”。若随机斜率缺失可能影响不确定性，应在限制中说明并由验证模型复核。

假设间接效应为 0.36，95% Bootstrap CI [0.08, 0.71]，只能说在指定模型和样本下间接关联区间不含零。不要用“完全中介”标签替代设计判断；直接效应不显著也不证明所有作用都经过 M。若流失与结局相关，完整案例中介可能进一步偏倚。

学科交付清单

报告参与者流程、组别分配、服务剂量、测量时间、主要和次要结局、量表信度、缺失与流失、模型公式、ID 层级、固定效应编码和敏感性分析。证据包保存去标识数据字典、命令、软件版本、原始输出和失败警告。对脆弱服务对象的结果应以群体层面呈现，小单元格抑制，不向一线人员输出个体风险排名。

常见问题 FAQ

Q1：干预组显著、对照组不显著，就证明干预有效吗？

不能。应直接检验组别×时间交互或两组变化差。

Q2：当前 mixed_effects 支持随机斜率吗？

当前注册实现只拟合随机截距；需要随机斜率时应使用另行验证的模型。

Q3：Bootstrap 间接效应显著就等于因果中介吗？

不等于。还需要时间顺序、混杂控制和可信研究设计。

Q4：分析结果可以自动决定个案是否继续接受服务吗？

不可以。统计结果用于群体研究，不替代社工专业判断、伦理流程和个案安全处置。