统计百科 ·
Bootstrap中介效应CI怎么做？5000次抽样与百分位/BC校正完全指南
统计百科：详解Bootstrap中介效应置信区间的完整操作逻辑——5000次重抽样原理、百分位法(Percentile CI)与偏差校正法(BC CI)的区别与选用、间接效应不含0判断显著性、APA 7th报告模板及论文可抄写法。
Bootstrap中介检验让很多人困惑的不是"跑出来数值"，而是背后的逻辑：5000次抽样是什么意思？百分位法和偏差校正法有什么本质区别？"CI不含0"为什么等同于显著？论文里到底怎么汇报？这篇文章从原理到报告，把Bootstrap中介效应的每一步都讲清楚。
为什么中介效应不用t检验，而要用Bootstrap？
间接效应的分布问题
中介效应的核心指标是间接效应，记为 $a \times b$：
$\text{间接效应} = a \times b$
其中 $a$ 是自变量(X)到中介变量(M)的回归系数，$b$ 是中介变量(M)到因变量(Y)的回归系数（控制X后）。
问题出在分布上： 即使 $a$ 和 $b$ 各自服从正态分布，它们的乘积 $a \times b$ 的分布通常是偏态的、非正态的，尤其当样本量不大或效应量不对称时更为明显。
传统的Sobel检验假设 $a \times b$ 服从正态分布，然后用 $z$ 统计量检验。但这一假设在中小样本和非对称效应中往往不成立，导致：
- 一类错误率偏高（假阳性）
- 置信区间不准确（过宽或过窄）
- 功效偏低（漏报真实效应）
Bootstrap的解决方案： 不假设任何分布，直接从数据里反复抽样，用经验分布来估计 $a \times b$ 的抽样分布。这就是为什么APA 7th和心理学、管理学顶刊都推荐Bootstrap而非Sobel检验。
Bootstrap vs Sobel：一张对比表
| 特征 | Sobel检验 | Bootstrap法 |
|---|---|---|
| 分布假设 | 假设 $a \times b$ 正态分布 | 无分布假设 |
| 置信区间 | 对称CI（以0为中心） | 非对称CI（更真实） |
| 小样本表现 | 偏保守，功效低 | 更准确 |
| 非正态数据 | 一类错误率高 | 稳健 |
| 主流期刊接受度 | 逐渐被淘汰 | 推荐标准 |
| PROCESS宏支持 | Method=4输出Sobel | 默认输出Bootstrap CI |
一、Bootstrap中介检验的原理：5000次抽样是什么
重抽样(Resampling)的直觉
Bootstrap的核心思想：用样本模拟总体。
假设你有 $N = 200$ 名被试的数据。标准Bootstrap过程如下：
- 有放回地随机抽取 $N = 200$ 个观测（某些人可能被抽到多次，某些人可能一次都没被抽到）
- 用这200个观测重新估计 $a$ 和 $b$，计算 $a_1 \times b_1$
- 重复步骤1-2，共5000次（或2000次、1000次）
- 得到5000个 $a \times b$ 的估计值，构成间接效应的经验抽样分布
- 从这5000个值中提取置信区间
这5000个 $a \times b$ 的分布，就是对"如果从总体中反复取样，间接效应会如何波动"的模拟。不需要假设它是正态的——分布是什么形状，CI就是什么形状。
抽样次数的选择
| 抽样次数 | 适用场景 | 备注 |
|---|---|---|
| 1000次 | 探索性分析、初步检验 | CI稳定性较低，不推荐论文汇报 |
| 2000次 | 早期研究（PROCESS默认旧版） | 基本够用 |
| 5000次 | 论文标准，强烈推荐 | APA和主流期刊的推荐标准 |
| 10000次 | 高精度要求、小样本、边界效应 | 计算时间更长，必要时使用 |
结论： 论文统一使用5000次。PROCESS宏、R的mediation包、lavaan均支持设置bootstrap次数。
二、百分位法CI与偏差校正BC CI：本质区别与选用
这是Bootstrap中最容易混淆的地方。两种方法用的都是同一批5000个 $a \times b$ 值，只是提取CI的方式不同。
百分位法（Percentile CI）
操作： 将5000个 $a \times b$ 值从小到大排序，直接取第2.5百分位数和第97.5百分位数作为95% CI的下限和上限。
$CI_{95%} = [P_{2.5},\ P_{97.5}]$
- 直观，无偏差校正
- 假设：Bootstrap分布与真实抽样分布的中心一致（即Bootstrap估计无偏）
- 当Bootstrap分布本身是无偏的，百分位法准确
- 当Bootstrap估计存在偏差（Bootstrap均值 $\neq$ 样本估计值），百分位法会偏移
偏差校正法（Bias-Corrected CI，BC CI）
操作： 在百分位法基础上，先估计Bootstrap分布的偏差（bias），然后校正百分位数的提取位置。
具体步骤：
- 计算样本估计值 $\hat{\theta}$（即原样本的 $a \times b$）
- 统计5000个Bootstrap值中，有多少比例 lt; \hat{\theta}$，记为 $p_0$
- 将 $p_0$ 转换为标准正态分位数：$z_0 = \Phi^{-1}(p_0)$（偏差校正因子）
- 用 $z_0$ 重新计算应取哪两个百分位数（不再是固定的2.5%和97.5%）
- 从校正后的百分位数提取CI
含义： BC CI用来修正"Bootstrap分布中心偏离样本估计值"的问题——如果Bootstrap倾向于高估，就把CI整体往低端移动一些。
加速偏差校正法（BCa CI）
BCa（Bias-Corrected and Accelerated）是BC的升级版，额外校正分布的偏斜程度（加速度 $a$），使CI在非对称分布中更为精确。
三种方法的横向比较：
| 方法 | 是否校正偏差 | 是否校正偏斜 | 适用场景 |
|---|---|---|---|
| 百分位法(Percentile) | 否 | 否 | 大样本、分布对称 |
| BC法 | 是 | 否 | 中小样本，有偏差 |
| BCa法 | 是 | 是 | 最通用，小样本尤佳 |
实践建议
- PROCESS宏默认输出： 百分位CI（Percentile）和偏差校正CI（BC），同时呈现
- 论文报告推荐： 报告BC CI（或BCa，如果软件支持），说明更保守、更稳健
- 两种CI结论一致（都含0或都不含0）： 直接报告，结论可靠
- 两种CI结论不一致： 需要更大样本，或同时报告两种并说明差异
一句话记住： 百分位法取分位数，BC法先校正再取，BCa最稳健。论文默认报告BC CI，小样本或非对称效应优先选BCa。
三、"CI不含0"等于显著——为什么这样判断
零假设与CI的逻辑
Bootstrap中介检验的零假设是：
$H_0: a \times b = 0$
即"间接效应为零，X通过M影响Y的路径不存在"。
判断标准：
- 95% CI不含0（下限 > 0 或上限 < 0）： 拒绝 $H_0$，间接效应在 $\alpha = .05$ 水平显著
- 95% CI含0（下限 < 0 < 上限）： 无法拒绝 $H_0$，间接效应不显著
- 99% CI不含0： 间接效应在 $\alpha = .01$ 水平显著
为什么不报告p值
Bootstrap没有一个精确的p值，因为间接效应的抽样分布是用经验数据模拟出来的，没有封闭形式的解析分布，无法直接计算精确p值。置信区间是否包含0，本身就等价于显著性检验——这是Bootstrap方法的完整报告方式，不是缺漏。
部分软件（如R的lavaan）会输出基于Bootstrap的双侧p值（通过比较CI边界估算），但APA 7th和主流期刊认可的标准汇报方式是只报告CI和间接效应点估计，不强制要求p值。
四、操作细节：Bootstrap中介效应完整流程
Step 1：确定模型
最基础的简单中介模型（Hayes Model 4）：
$X \xrightarrow{a} M \xrightarrow{b} Y$
$X \xrightarrow{c'} Y \text{（直接效应）}$
总效应 $c = a \times b + c'$
- 直接效应（$c'$）： 控制M后，X对Y的影响
- 间接效应（$a \times b$）： X通过M传递到Y的影响
- 间接效应显著： $a \times b$ 的Bootstrap CI不含0
- 直接效应： $c'$ 可显著也可不显著，不以此区分完全/部分中介（Hayes，2022建议直接报告间接效应大小和CI，而非贴full/partial标签）
Step 2：选择抽样参数
Bootstrap次数: 5000（论文标准）
置信水平: 95%（对应 alpha = .05）
CI类型: BC（偏差校正）或 BCa（加速偏差校正）
Step 3：检验前提
- 路径 $a$（X→M）显著：需用普通回归或报告t值/p值确认
- 路径 $b$（M→Y，控制X）显著：同上
- 注意： 即使 $a$ 或 $b$ 单独不显著，间接效应 $a \times b$ 的Bootstrap CI也可能不含0（因为联合效应不等于单个路径的显著性）
Step 4：解读Bootstrap结果
典型PROCESS输出格式：
Indirect effect of X on Y through M:
Effect Boot SE BootLLCI BootULCI
0.2341 0.0713 0.1021 0.3854
Number of Bootstrap samples: 5000
解读步骤：
- 点估计（Effect = 0.2341）：间接效应的大小
- Boot SE（0.0713）：Bootstrap标准误
- BootLLCI / BootULCI：BC Bootstrap 95% CI下限/上限
- 判断： 0.1021 > 0，CI不含0 → 间接效应显著（p < .05）
Step 5：报告间接效应与直接效应
Hayes（2022）第3版明确指出，以「c'是否显著」来区分完全/部分中介依赖样本量而非构念本身，不推荐沿用该框架。推荐做法是直接报告间接效应大小和CI，必要时同时报告直接效应。
| 条件 | 结论 |
|---|---|
| $a \times b$ CI不含0 | 间接效应显著，报告效应量及CI |
| $a \times b$ CI含0 | 间接效应不显著 |
| $c'$ 显著且 $a \times b$ 显著 | X对Y存在直接效应，也存在通过M的间接效应（不建议贴"部分中介"标签，直接报告两个效应量） |
| $c'$ 不显著且 $a \times b$ 显著 | X对Y的效应主要通过M传递（不建议贴"完全中介"标签，直接报告间接效应量） |
五、给论文的APA 7th报告模板
标准中介效应报告段落
情形：以学习动机(X)、自我效能感(M)、学业成绩(Y)为例。
完整报告模板：
采用Hayes（2022）的PROCESS宏（Model 4）进行Bootstrap中介效应检验，
Bootstrap抽样次数为5000次，报告95%偏差校正置信区间（BC CI）。
[路径a：X→M] 学习动机显著正向预测自我效能感（b = X.XX，SE = X.XX，
t([df]) = X.XX，p [值]）。
[路径b：M→Y，控制X] 控制学习动机后，自我效能感显著正向预测学业成绩
（b = X.XX，SE = X.XX，t([df]) = X.XX，p [值]）。
[直接效应 c'] 控制自我效能感后，学习动机对学业成绩的直接效应
[显著/不显著]（b = X.XX，95% CI [XX，XX]，p [值]）。
[间接效应 a×b] 以Bootstrap抽样5000次估计，学习动机通过自我效能感对
学业成绩的间接效应为 X.XX（SE = X.XX，95% BC CI [XX，XX]），
置信区间不含0，表明间接效应显著；直接效应[显著/不显著]（b = X.XX，p [值]），中介作用得到支持。
填入数值的示例段落（可直接抄入论文）：
采用Hayes（2022）的PROCESS宏（Model 4）进行Bootstrap中介效应检验，Bootstrap抽样次数为5000次，报告95%偏差校正置信区间（BC CI）。学习动机显著正向预测自我效能感（b = 0.42，SE = 0.07，t(197) = 5.83，p < .001）。控制学习动机后，自我效能感显著正向预测学业成绩（b = 0.56，SE = 0.09，t(196) = 6.12，p < .001）。控制自我效能感后，学习动机对学业成绩的直接效应不显著（b = 0.11，95% CI [-0.04，0.26]，p = .152）。以Bootstrap抽样5000次估计，学习动机通过自我效能感对学业成绩的间接效应为 0.23（SE = 0.07，95% BC CI [0.10，0.39]），置信区间不含0，表明间接效应显著（p < .05）。控制自我效能感后，学习动机的直接效应不显著，说明X对Y的效应主要通过M传递（Hayes，2022建议直接报告间接效应大小，而非贴"完全中介"标签）。
方法章节说明（可直接抄入）
中介效应检验采用Hayes（2022）推荐的Bootstrap方法（PROCESS宏v4.x，
Model 4），以5000次有放回重抽样估计间接效应（a×b路径）的95%偏差校正
置信区间（BC CI）。当CI不含0时，判定间接效应在alpha = .05水平显著。
相较Sobel检验，Bootstrap法无需假设间接效应正态分布，在中小样本和
非对称效应下具有更高的统计功效（Hayes & Scharkow，2013）。
结果表格格式（APA三线表）
| 路径 | b | SE | t | p | 95% CI |
|---|---|---|---|---|---|
| X → M（路径a） | 0.42 | 0.07 | 5.83 | < .001 | [0.28, 0.56] |
| M → Y（路径b，控制X） | 0.56 | 0.09 | 6.12 | < .001 | [0.38, 0.74] |
| X → Y 直接效应（c'） | 0.11 | 0.08 | 1.44 | .152 | [-0.04, 0.26] |
| X → Y 总效应（c） | 0.34 | 0.07 | 4.95 | < .001 | [0.21, 0.48] |
| 间接效应 | Effect | Boot SE | 95% BC CI |
|---|---|---|---|
| X → M → Y（a×b） | 0.23 | 0.07 | [0.10, 0.39] |
注：Bootstrap抽样5000次，CI为95%偏差校正置信区间（BC CI）。
六、在ChatSRS一句话完成Bootstrap中介检验
打开 chatsrs.com，上传数据后输入：
"以学习动机为自变量、自我效能感为中介变量、学业成绩为因变量，做Bootstrap中介效应检验；Bootstrap抽样5000次，报告百分位法CI和偏差校正BC CI；输出路径a、b、c'和间接效应a×b的点估计、Bootstrap SE和95% CI，分别报告间接效应和直接效应大小，并给出符合APA 7th格式的完整报告段落，包含方法章节描述和结果表格。"
ChatSRS自动完成：
- R引擎运行mediation包或PROCESS等效代码
- 5000次Bootstrap重抽样
- 同时输出百分位CI和BC CI
- 自动报告间接效应和直接效应大小
- 生成APA 7th格式报告段落，数值直接填入，可复制进论文
如需多重中介（多个M）或有调节的中介（moderated mediation），在指令中说明模型类型，ChatSRS自动切换对应的Hayes模型编号（如Model 6用于序列中介，Model 14/15用于有调节的中介）。
七、Bootstrap次数怎么影响结果稳定性
CI稳定性与抽样次数
Bootstrap的CI不是固定值——每次运行（使用不同随机种子）得到的CI会略有不同。抽样次数越多，这种波动越小。
实证建议（基于模拟研究）：
| 抽样次数 | CI稳定性 | 论文可用性 |
|---|---|---|
| 500次 | 差（CI边界波动可达 ±0.05） | 不可用 |
| 1000次 | 一般 | 勉强可用于预试 |
| 2000次 | 较好 | 可用（旧版默认） |
| 5000次 | 好（波动 < ±0.01） | 推荐标准 |
| 10000次 | 极好 | 边界效应/顶刊/小样本 |
设置随机种子（可重现性）
论文中建议设置随机种子，使结果可重现：
# R语言示例
set.seed(2024)
# 然后运行中介检验
# PROCESS宏（SPSS/R）
# PROCESS中添加seed=2024选项
在方法章节可写：
"为确保结果可重现，Bootstrap分析中设置随机种子（seed = 2024）。"
八、常见错误与规范对照
| 常见错误 | 正确做法 | 违反的规范 |
|---|---|---|
| 用Sobel检验代替Bootstrap | 使用Bootstrap 5000次 | APA 7th推荐Bootstrap |
| 只报告z/p，不报告CI | 报告间接效应点估计 + 95% BC CI | Bootstrap结果必须报告CI |
| 称"CI = [0.10, 0.39]含义是显著" | "CI不含0，表明间接效应显著" | 要明确说不含0 |
| 未说明Bootstrap次数 | 明确写"5000次" | 可重现性要求 |
| 混淆百分位CI和BC CI | 说明使用了哪种CI类型 | 方法透明性 |
| 未报告Boot SE | 报告Bootstrap SE（标准误） | APA报告完整性 |
| 把Bootstrap CI当作普通回归CI | 注明"Bootstrap 95% BC CI" | 区分估计方法 |
| 未报告直接效应c' | 同时报告直接效应和间接效应 | 完整中介分析 |
FAQ
Q：5000次Bootstrap每次结果都一样吗？
A：不一样。每次运行Bootstrap（不设置随机种子）会得到略有不同的CI边界，因为重抽样过程是随机的。5000次抽样下，这种波动通常很小（95% CI边界变化 < ±0.01），不影响结论。但为了论文的可重现性，强烈建议设置随机种子（seed值）并在方法章节注明。
Q：百分位法CI和BC CI结论不同怎么办？
A：这是一个信号，说明Bootstrap分布存在明显偏差，或样本量较小。建议：(1) 优先报告BC CI或BCa CI（更稳健）；(2) 同时列出两种CI供读者参考；(3) 若两种CI结论不同（一个含0一个不含0），建议增大样本量或说明统计功效不足，不应仅凭百分位CI的结论下定论。
Q：间接效应为负值，CI [−0.39, −0.10] 不含0也显著吗？
A：是的。"CI不含0"同时适用于正向和负向间接效应。[-0.39, -0.10]的CI完全位于0的左侧，同样表明间接效应在统计上显著，只是方向为负（X通过M的作用是降低Y）。报告时写"间接效应为 −0.23（95% BC CI [−0.39, −0.10]），CI不含0，表明负向间接效应显著"。
Q：论文方法章节要不要提Hayes（2022）？
A：要。使用PROCESS宏进行中介检验，APA格式要求引用原始方法来源。标准引用为：Hayes, A. F. (2022). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach (3rd ed.). Guilford Press. 如果使用R的mediation包，则引用Tingley等（2014）。ChatSRS输出的报告段落会自动附带正确的参考文献格式。
Q：多重中介（多个M）的Bootstrap报告和简单中介一样吗？
A：基本框架一样，但需要为每条间接路径分别报告Bootstrap CI。例如有M1和M2两个中介变量，需报告：X→M1→Y的间接效应CI、X→M2→Y的间接效应CI，以及两条路径的间接效应之差（及其CI）。差值的CI不含0，说明两个中介的效应量存在显著差异。
相关阅读
- 中介效应APA报告怎么写？a×b间接效应+Bootstrap CI格式全解
- 中介效应分析(Bootstrap)用AI一句话完成 — 间接效应、CI解读与APA报告
- 中介与调节的区别 — 概念/模型/何时用哪个/检验方法/报告差异完全对比
- 多层中介分析用AI完成 — 跨层效应、Bootstrap/蒙特卡洛CI全攻略
- 效应量的APA 7th报告 — Cohen's d/eta^2/omega^2/r全解
本文首发于ChatSRS官方博客。如有问题或反馈，欢迎在ChatSRS站内 [用户中心 -> 帮助与反馈] 联系我们。