Page 243 - 《社会》2024年第6期

社会·2024·6

在变量间的中介效应和交互效应中存在复杂的混杂因素， 从而会造成
样本的选择性偏差。 因此，我们使用了基于潜在结果和反事实框架的因
果中介分析来评估研究结果的稳健性， 该方法的优势在于采用非参数
估计方法并考虑了具有交互效应的中介模型。 根据因果中介分析的四
向分解方法（ VanderWeele，2014），自变量和因变量的关联可以分解为四
个 部 分 ：受 控 直 接 效应（CDE）、参 照 交互 作 用（INTref）、中 介 交 互 作 用
（INTmed）和纯中介效应（PIE）。 假设 Y、X、M、C 分别为因变量、自变量、
中介变量和相关混杂变量， 这四个效应就分别反映了仅由自变量导致
的效应 （即 X→Y）、 仅由自变量和中介变量交互导致的效应 （即 X→
X*M→Y）、中介和交互作用共同导致的效应（即 X→M→X*M→Y）和仅
由中介作用导致的效应（即 X→M→Y）。 与传统有调节的中介效应分析
相比，四向分解法考虑了 X、M 对 X*M 这个乘积变量的天然影响，增加
了基于交互作用的两向分解， 从而得到更为准确的直接效应和中介效
应估计。 此外， 本研究更关注交互作用的总和效果 （即前文的调节效
应），而将两种交互作用相加并检验即可得到总和交互作用。
表 6 报告了基于因果中介分析的四向分解法结果。 因为样本存在
选择性偏差， 所以本研究在模型中同时纳入了基于互联网使用模型计
表 6：基 于 因 果 中 介 分 析 的 四 向 分 解 结 果 （N=2 430）
大专及以上
自变量 男性 年龄 高收入组 城市居民
学历
总效应 0.676 -7.277 # 12.336 # -0.466 1.022
[-0.808， 2.182] [-9.109， -5.373] [8.111，16.900] [-4.202，2.684] [-0.884，2.866]
受控直接效应 1.097 -2.854 # 4.438 -1.240 -0.163
[-0.246，2.587] [-4.774， -0.904] [-0.312， 9.317] [-5.671，2.412] [-1.979，1.626]
参照交互作用 -0.016 0.002 1.967 # 0.082 0.107
[-0.110，0.015] [-0.404， 0.405] [0.807， 3.432] [-0.026，0.288] [-0.021， 0.315]
中介交互作用 0.033 -0.004 -6.136 # -1.176 # -0.184
[-0.035， 0.168] [-0.856， 1.604] [-10.771， -2.561] [-2.508， -0.315] [-0.507， 0.025]
纯中介效应 -0.437 # -4.421 # 12.067 # 1.868 # 1.262 #
[-0.878， -0.016] [-5.378， -3.451] [8.542，15.964] [0.748，2.761] [0.604，1.945]
总和交互作用 0.016 -0.002 -4.169 # -1.094 # -0.077
[-0.018， 0.110] [-0.351， 0.364] [-7.394， -1.858] [-2.352， -0.291] [-0.260， 0.005]
注 ：1. 模 型 基 于 bootstrap 法 的 1000 次 自 抽 样 进 行 检 验 。
2. 方括号内为偏差校正 95%置信区间， # 偏差校正 95%置信区间内不含 0。

· 236·