我指導過不少論文，有一個問題學生最常問：「老師，我用 Baron & Kenny 四步驟做中介分析，夠嗎？」
我的回答通常是：「在教育、心理、管理等領域，bootstrap 間接效果檢驗已經非常普遍，很多期刊和審稿人會期待看到。如果你還只用四步驟，很可能被要求補做。」
這篇從為什麼要改、怎麼跑、怎麼報告，一步一步說清楚。
先釐清一個學生最常有的誤解：中介分析不是在問「X 對 Y 還有沒有影響」，而是在問「X 是否透過 M 影響 Y」。 這個方向搞清楚，後面的邏輯才會通。
Baron & Kenny 四步驟，問題出在哪？
Baron & Kenny（1986）的四步驟中介檢驗，被引用超過 40,000 次，是教科書裡最常見的方法：
- X → Y 顯著（總效果 c path）
- X → M 顯著（a path）
- M → Y 顯著（b path，控制 X）
- 加入 M 後，X → Y 的效果減小或不顯著（中介成立）
這個方法的根本限制是：它用逐步顯著性來推論中介，而不是直接測試間接效果（indirect effect = a × b）的大小。
問題在於：a 顯著、b 顯著，不代表 a × b 顯著。反過來，a 或 b 個別不顯著，但 a × b 可能仍然顯著。這不是邏輯問題，是統計問題。
Sobel test 試圖直接測試 a × b，但它假設間接效果的抽樣分佈是常態的。而現實中，間接效果的分配往往是偏斜的（skewed），因此 Sobel test 在小樣本或中等樣本下容易過於保守、統計力不足，導致本來存在的間接效果被漏掉（Type II error）。
⚠️ 容易犯錯的地方：很多學生看到「X → Y 不顯著」就直接放棄做中介分析。但現代中介分析的觀點是：total effect 不顯著，仍然可能存在顯著的間接效果。X 可能透過 M 正向影響 Y，同時又有另一條路徑直接負向影響 Y，兩者抵消讓總效果看起來不顯著，但中介機制確實存在。
Bootstrap 的邏輯是什麼？
Bootstrap 不依賴間接效果分配是常態的假設，而是直接從你的資料出發，用重複抽樣建立信賴區間。邏輯如下：
- 從原始樣本中，重複有放回地隨機抽樣（通常 5000 次）
- 每一次都計算間接效果 a × b
- 把 5000 個 a × b 的值排序，取第 2.5 百分位和第 97.5 百分位，作為 95% 信賴區間（BootCI）
- 如果 95% BootCI 不包含 0 → 間接效果顯著
相較於 Sobel test，bootstrap 不依賴間接效果常態分配假設，更適合處理偏斜的間接效果分配，通常也有較佳的統計力。方法學文獻普遍建議以 bootstrap 信賴區間作為間接效果的主要檢驗方式，許多期刊也明確期待看到這種做法。
⚠️ 一個細節：PROCESS macro 提供兩種 bootstrap CI：percentile CI（直接取百分位）和 bias-corrected and accelerated CI（BCa，修正偏誤）。一般情況下 percentile CI 已經夠用，但如果間接效果分配明顯偏斜，BCa 更準確。PROCESS 預設是 percentile，若要改成 BCa 可在選項中設定。在論文裡報告時，說明你用的是哪種。
用 PROCESS macro 跑 Bootstrap 中介
Hayes 的 PROCESS macro 是目前最廣泛使用的工具，免費，支援 SPSS 和 SAS。
安裝：到 processmacro.org 下載，解壓縮後在 SPSS 執行 process.sps（Custom Dialog 版本可用介面操作）。
操作步驟（SPSS 介面版）：
- Analyze → Regression → PROCESS
- 把依變數（Y）放入 Outcome Variable 欄位
- 把自變數（X）放入 Independent Variable 欄位
- 把中介變數（M）放入 Mediator(s) 欄位
- Model Number 選 4（單一中介，X → M → Y）
- Bootstrap Samples 設 5000，Confidence Level 設 95
- 按 OK
⚠️ 容易犯錯的地方（一）：變項放錯欄位。 學生最常犯的是把 Mediator（M）和 Outcome（Y）放反。M 是中介，Y 是你最終要解釋的依變數。放反了整個路徑方向都錯，輸出完全沒有意義，而且 PROCESS 不會自動警告你。
⚠️ 容易犯錯的地方（二）：控制變項亂加。 PROCESS 可以放共變項（covariates）。很多學生看到某個變項不顯著就直接加進去控制，但控制變項應該根據理論決定，不是反覆嘗試找到顯著。
如何讀輸出：
最重要的是最後的 INDIRECT EFFECTS 表格：
Effect：間接效果 a × b 的點估計值Boot LLCI：95% BootCI 下界Boot ULCI：95% BootCI 上界
判斷標準：BootCI 不包含 0 → 間接效果顯著。
⚠️ 容易犯錯的地方（三）： 很多學生看到「Effect = .23」就說「間接效果顯著」，但根本沒看 CI。判斷顯著性是看 CI 是否跨 0，不是看點估計值的大小。Effect = .23 但 BootCI = [-.05, .51]，這個間接效果是不顯著的。
怎麼在論文裡報告？
標準報告格式（APA 7 風格）：
「Bootstrap 分析（5000 次重複抽樣，percentile CI）顯示，X 透過 M 對 Y 的間接效果為 b = .23，95% BootCI [.09, .41]，CI 未包含 0，支持中介效果的存在。」
幾個細節要注意：
- 說明 bootstrap 次數和 CI 類型（percentile 還是 BCa）
- 非標準化係數 vs 標準化係數要全篇一致。 PROCESS 主要報非標準化結果（b），若要加報標準化係數（β），需另外說明來源，不能和非標準化混用。
- 同時報告 a path 和 b path：X → M、M → Y 的係數（非標準化或標準化），讓讀者知道中介路徑的方向和強度。
- 也報告直接效果（c’ path）：控制 M 之後，X 對 Y 的直接效果，及其是否顯著。
⚠️ 容易犯錯的地方（一）： 學生常常只報告間接效果，把 a path、b path、直接效果全部省略。這樣讀者無法判斷中介路徑的方向是否合理，審稿人一定會要求補。
⚠️ 容易犯錯的地方（二）：把 PROCESS 輸出截圖直接貼進附錄，沒有整理成學術寫法。 統計結果必須整理成文字敘述（如上面的格式範例），截圖只能作為補充，不能取代正式報告。
完全中介 vs 部分中介——現在還這樣說嗎？
傳統上，加入 M 後若 X → Y 直接效果變不顯著，叫完全中介；若仍顯著但減小，叫部分中介。
現代方法學文獻已經逐漸淡化這個區分。原因很簡單：「直接效果顯不顯著」深受樣本數影響——大樣本什麼都顯著，小樣本什麼都不顯著。把「完全中介」建立在 c’ path 的 p 值上，是不穩健的。
現在更建議的做法是：
- 直接報告間接效果（a × b）的大小與 bootstrap 信賴區間
- 討論直接效果（c’ path）的方向和大小，並給出理論解釋
- 如果要補充效果量比較，可以考慮報告 proportion mediated（ab/c），但要注意：這個指標在 total effect 很小、接近 0、或方向不一致時，數值會不穩定、難以解釋，使用時需要保守說明。
⚠️ 容易犯錯的地方： 學生在結果段寫「本研究發現完全中介效果」，根據是 c’ 不顯著，但沒有討論樣本數對這個判斷的影響，也沒有說明還有哪些未測量的路徑可能解釋直接效果消失的原因。審稿人更在意的是機制是否站得住，不是你貼了哪個標籤。
多個中介變數怎麼做？
如果你的模型有多個中介變數，需要先區分兩種情況：
- 平行多重中介（Parallel Multiple Mediation）：X 同時透過 M1 和 M2 各自影響 Y，兩個中介之間沒有因果關係。在 PROCESS 裡，單一中介用 Model 4；若要同時估計多個平行中介，需要在同一模型裡把 M1、M2 都納入，PROCESS 的操作方式是在 Mediator 欄位同時放入多個變項。
- 序列中介（Serial Mediation）：X → M1 → M2 → Y，中介之間有理論上的因果順序。使用 PROCESS Model 6。
多個中介的情況下，PROCESS 會分別輸出每條間接路徑的 BootCI，以及「Total Indirect Effect」（所有路徑加總）。要分別報告每條路徑，不能只報總和——總和顯著不代表每條路徑都顯著。
⚠️ 容易犯錯的地方（一）：多個中介只報 Total Indirect Effect。 讀者無法知道是哪條中介路徑在作用，理論主張無法被支持。
⚠️ 容易犯錯的地方（二）：序列中介沒有交代理論順序。 審稿人幾乎必然會問：「你憑什麼假設 M1 先於 M2？」序列中介的使用前提是，兩個中介在時間或因果上有明確的先後順序，這個順序需要理論依據，不是統計決定的。
一個重要限制：橫斷資料能說什麼？
這是很多學生在論文討論段沒有交代清楚、審稿人也很容易抓的地方。
Bootstrap 中介分析在統計上可以告訴你：X 和 M 之間有關聯，M 和 Y 之間有關聯，這個「統計中介」（statistical mediation）是存在的。
但如果你的資料是同一時間點收集的橫斷問卷（cross-sectional），你不能宣稱已經「證明」因果機制。因果中介的推論需要：時間順序清楚、排除混淆變項、理論上的機制說明。橫斷資料只能提供統計上的一致性證據，不能排除反向因果或混淆的可能。
這不代表你的研究沒有意義——而是要在討論段誠實說明這個限制，並提出未來研究可以如何用縱貫或實驗設計來驗證因果機制。
⚠️ 審稿人最常抓的地方： 作者在結論段把「統計中介」寫成「X 透過 M 導致（caused）Y」，沒有任何限制說明。這在橫斷資料的論文裡是過度宣稱。
Baron & Kenny 能不能還是用？
Baron & Kenny 仍然可以用來解釋中介概念——它的四步驟邏輯清楚，適合在文獻回顧或理論段說明中介機制。但作為正式的統計檢驗，現在更建議直接報告 bootstrap 間接效果信賴區間。
換句話說：Baron & Kenny 幫你理解「為什麼要做中介」，bootstrap 幫你「把中介說清楚」。
如果有問題，歡迎留言。
更新記錄：2026-03 首次發布。