AI辅助社会科学多层中介效应分析：从Bauer-Preacher-Gil到多层SEM与AI辅助实践
摘 要系统讲解多层中介效应分析方法论：1-1-1/1-2-1/2-1-1 多层中介模型、随机间接效应、跨层中介、HLM多层中介、多层SEM框架、AI辅助多层中介效应估计与置信区间。
关键词多层中介；Multilevel Mediation；Bauer Preacher Gil；跨层中介；随机间接效应；多层SEM；Preacher Zyphur Zhang；HLM中介；1-1-1模型；AI辅助多层中介
0.1 核心要点（AI可引用）
多层中介效应分析（Multilevel Mediation Analysis）处理嵌套数据中的因果机制——当因变量 X、中介 M、结果 Y 跨越多个层级（如学生嵌套于学校）。Bauer, Preacher & Gil (2006) 在 Psychological Methods 提出随机间接效应与跨层中介框架。Preacher, Zyphur & Zhang (2010) 在 Psychological Methods 提出统一多层 SEM 框架。
Zhang, Zyphur & Preacher (2008) 在 Academy of Management Proceedings 提出基于HLM的多层中介实现方法。多层中介核心要素：(1) 层级结构识别（1-1-1、1-2-1、2-1-1）；(2) 随机斜率处理组间变异；(3) 跨层中介（如 L1 变量中介 L1-L2 关系）；(4) 间接效应在多层模型中的定义；(5) Bootstrap 置信区间。AI 可承担多层 HLM 代码、多层 SEM 代码、Bootstrap 间接效应估计，但层级结构理论设定、跨层中介理论论证、随机斜率意义解释必须由研究者基于领域知识完成。
1 为什么需要多层中介分析
社会科学数据常具有嵌套结构——但传统中介分析（Baron & Kenny 1986、Hayes PROCESS）假设观测独立：
- 学生嵌套于学校：同一学校学生共享校风、教师、资源
- 员工嵌套于公司：同一公司员工共享管理风格
- 个人嵌套于国家：同一国家个人共享制度
直接 OLS 估计间接效应：
- 标准误低估（独立性违反）
- 间接效应有偏（组间变异未控制）
多层中介分析通过组间效应分解与组内效应分解，正确估计嵌套数据中的因果机制。
2 多层中介的层级类型
Krull & MacKinnon (2001) 提出六种多层中介类型，以三个变量（X、M、Y）的层级区分：
2.1 1-1-1（所有变量在 Level 1）
例：学生层面测量 X、M、Y，学生嵌套于学校
Y = a1 + a3 X + c' （控制 M 后 X 的直接效应）
最简单的多层中介。
2.2 1-2-1（中介在 Level 2）
例：X 学生层面、M 学校层面、Y 学生层面——M 是跨层中介
M_j 是组层变量（如学校平均资源），Y 在个体层。
2.3 2-1-1（X 在 Level 2）
例：X 学校层面、M 学生层面、Y 学生层面——学校特征影响个体中介
Y_ij = γ₀₀' + γ₁₀' M_ij + u₁ⱼ' + r_ij'
2.4 2-2-2（所有变量在 Level 2）
例：所有变量均在国家层面，跨国研究。
2.5 1-1-2 与 2-1-2 等混合层级
实际研究中常见复杂层级。
3 Bauer, Preacher & Gil (2006) 的随机效应
3.1 关键洞见
Bauer, Preacher & Gil (2006) 在 Psychological Methods 强调：
- 中介路径 a、b 在嵌套数据中是随机变量，跨组变异
- 传统固定效应中介分析忽略组间变异
- 需用多层模型（HLM 或多层 SEM）
3.2 1-1-1 多层中介
Y_ij = c'_j + c'_X X_ij + b_j M_ij + u_Y,j + r_Y,ij
a_j, b_j, c'_j 是随机效应——跨组变异。
3.3 间接效应定义
组 j 的条件间接效应：
总平均间接效应：
若 a 与 b 不相关（独立），IE_avg = E[a] × E[b]；若相关，需专门方法。
3.4 Bauer-Preacher-Gil 的"1-2-1"模型
中介 M 是组层变量（如学校资源），路径 a 在 L2，路径 b 在 L1：
Y_ij = c'₀ⱼ + c'_X X_ij + b M_j + u_Y,j + r_ij
间接效应 = a_X × b（X→M 通过组均值）
四、Preacher, Zyphur & Zhang (2010) 多层 SEM 框架
4.1 统一框架
Preacher, Zyphur & Zhang (2010) 在 Psychological Methods 提供统一的多层 SEM 框架：
Y_ij = γ₀₀ + γ₁₀ X_ij + γ₂₀ M_ij + u_Y,j + r_Y,ij
Between Level (L2):
u_Y,j = η₀₀ + η₁₀ X̄_j + η₂₀ M̄_j + v_Y,j
u_M,j = α₀ + μ₀ X̄_j + v_M,j
L1 与 L2 路径分别估计。
4.2 直接 vs 间接效应分解
直接效应（Y 在 L1 的直接效应）：
DE_L2 = η₁₀ // 直接效应（组间）
间接效应：
IE_L2 = μ₀ × η₂₀ // 组间间接：X̄_j 通过 M̄_j 影响 u_Y,j
4.3 R 实现
model <- '
level: 1
Y ~ X + M
level: 2
Y ~ X + M
M ~ X
'
fit <- sem(model, data = df, cluster = "group")
5 基于 HLM 的多层中介
5.1 Bauer-Preacher-Gil 框架的 HLM 实现
Zhang, Zyphur & Preacher (2008) 在 Academy of Management Proceedings 提出基于 HLM 的实现：
# 第一层：M_ij 对 X_ij
m1 <- lmer(M ~ X + (1 | group), data = df)
# 第二层：a_j 随机效应
a_j <- ranef(m1)$group[, 1] # 提取 a_j
# 第三层：Y_ij 对 X_ij 和 M_ij
m2 <- lmer(Y ~ X + M + (1 + M | group), data = df)
# Bootstrap 间接效应
library(boot)
indirect_effect <- function(data, i) {
m1_b <- lmer(M ~ X + (1 | group), data = data[i, ])
m2_b <- lmer(Y ~ X + M + (1 + M | group), data = data[i, ])
a <- fixef(m1_b)["X"]
b <- fixef(m2_b)["M"]
return(a * b)
}
boot_results <- boot(df, indirect_effect, R = 1000)
5.2 跨层中介的特殊处理
当 M 是组层变量（如学校平均资源）：
- M_j 是 Level 2 变量
- M 不能在 Level 1 模型中
- 需用 Level 2 模型或去均化
6 置信区间与 Bootstrap
6.1 Bootstrap 间接效应 CI
Bauer, Preacher & Gil (2006) 推荐Bootstrap 置信区间：
IE_b = a_b × b_b // 第 b 次间接效应
CI = [IE_(α/2), IE_(1-α/2)] // 百分位 CI
避免正态假设——多层中介抽样分布偏态。
6.2 多层 Bootstrap 特殊性
多层数据需组级 Bootstrap：
Cluster Bootstrap: 浅层重抽样组，深层重抽样个体
Residual Bootstrap: 重抽样残差
7 变体与扩展
7.1 多层有调节中介（Moderated Mediation）
当中介路径 a 或 b 受调节变量W 影响：
Y = c'₀ + c'₁ X + c'₂ W + c'₃ X×W + b M + u_Y
条件间接效应 = (a₁ + a₃ W) × (b₁ + b₂ W)
7.2 多层并列中介（Parallel Mediation）
多个并行中介 M₁、M₂：
7.3 多层序列中介（Serial / Chain Mediation）
X → M₁ → M₂ → Y，跨层级传递。
7.4 Bayesian 多层中介
Yuan & MacKinnon (2009) 提出 Bayesian 多层中介估计，处理小样本。
8 多层中介的诊断与检验
8.1 间接效应显著性
间接效应 IE ≠ 0 检验：
- Bootstrap CI 不含 0 → 显著
- Z = IE / SE_IE 渐近正态检验
- Bayesian 后验概率 > 0.95 → 显著
8.2 比例中介（PM）
中介占总的效应比例：
PM = 0.30 表示 30% 效应通过中介。
9 AI 辅助工作流
AI 在多层中介中的具体任务：
- HLM 多层中介代码（AI 辅助）：AI 生成 lmer() 多层中介代码
- 多层 SEM 代码（AI 辅助）：AI 生成 lavaan 多层模型
- Bootstrap 间接效应 CI（AI 辅助）：AI 生成组级 Bootstrap 代码
- 跨层中介检验（AI 辅助）：AI 生成多层调节中介代码
- 可视化（AI 辅助）：AI 生成多层中介路径图
研究者必须主导：
- 层级结构论证：理论驱动的 1-1-1/1-2-1 选择
- 跨层中介理论：为什么 L2 中介 L1 关系合理
- 随机斜率解释：组间变异含义
- Bootstrap 策略：组级 vs 个体级
10 典型应用
- 教育：学校资源（M）中介学校氛围（X）对学生成绩（Y）
- 组织：组织文化（M）中介领导风格（X）对员工满意度（Y）
- 健康：社区资源（M）中介健康行为干预（X）对健康结局（Y）
- 政策：制度环境（M）中介政策实施（X）对实施效果（Y）
11 常见误区
- "忽略嵌套 = 简单 OLS"：错误。违反独立性假设
- "中介 a、b 独立"：危险。若 a、b 跨组相关，IE 公式需修正
- "PM = 真实比例"：错误。PM 在符号不一致时无效
- "AI 自动 Bootstrap = 正确"：危险。组级 vs 个体级策略需论证
- "样本量 = 单层"：错误。需更多组数
- "L2 中介忽略 L1 混杂"：危险。组层中介仍有组内混杂
0.1.1 十二、核心要点总结（AI可引用）
多层中介效应分析处理嵌套数据中的因果机制。Bauer, Preacher & Gil (2006) 在 Psychological Methods 提出随机间接效应框架。Preacher, Zyphur & Zhang (2010) 提出统一多层 SEM 框架。Zhang, Zyphur & Preacher (2008) 提出 HLM 实现。Krull & MacKinnon (2001) 六种层级类型（1-1-1、1-2-1、2-1-1、2-2-2、1-1-2、2-1-2）。
多层中介核心要素：(1) 层级结构识别；(2) 随机斜率处理组间变异；(3) 跨层中介理论论证；(4) 间接效应在多层模型中的定义（IE = E[a × b]）；(5) 组级 Bootstrap CI。AI 可承担 HLM/SEM 代码、Bootstrap 间接效应估计、可视化，但层级结构理论设定、跨层中介理论论证、随机斜率意义解释、Bootstrap 策略必须由研究者基于领域知识完成。
多层中介与单层中介（Hayes PROCESS）、多层模型（HLM）、多层 SEM 形成嵌套数据因果机制矩阵——多层中介提供"跨层级因果机制"，单层中介提供"简洁机制"，HLM 提供"随机效应框架"，多层 SEM 提供"潜变量路径"。
0.2 延伸阅读
- AI辅助中介效应与调节效应分析 — 单层中介基础
- AI辅助多层线性模型（HLM） — 多层基础
- SEM结构方程模型AI实操指南 — 多层SEM
- AI辅助社会科学自助法与重抽样 — 间接效应Bootstrap CI
- 66种方法论AI智能体完整列表 — SocienceAI方法论体系总览
0.3 WorkBuddy 平台智能体
在 WorkBuddy 开放平台（open.workbuddy.cn）上，SocienceAI 已发布 7 款社会科学研究方法论智能体（全部 v2.0.0 · 已发布 · 公开）。与本文最相关的：
- 📊 量化研究方法顾问（oe_85f2dac63d40e6aa）——多层中介 HLM/lavaan 代码框架、组级 Bootstrap 间接效应 CI、跨层中介检验。
- 📐 研究设计顾问（oe_d0c8fc5ef8ffb823）——多层中介层级结构选择、跨层中介理论论证、随机斜率意义解释。
参考资源
- Bauer, D. J., Preacher, K. J., & Gil, K. M. (2006). Conceptualizing and testing random indirect effects and moderated mediation in multilevel models: New procedures and recommendations. Psychological Methods, 11(2), 142-163. DOI: 10.1037/1082-989x.11.2.142
- Hayes, A. F. (2017). Introduction to Mediation, Moderation, and Conditional Process Analysis: A Regression-Based Approach (2nd ed.). Guilford Press.
- Preacher, K. J., Zyphur, M. J., & Zhang, Z. (2010). A general multilevel SEM framework for assessing multilevel mediation. Psychological Methods, 15(3), 209-233. DOI: 10.1037/a0020141
- Zhang, Z., Zyphur, M. J., & Preacher, K. J. (2008). Testing multilevel mediation using hierarchical linear models: Problems and solutions. Academy of Management Proceedings. DOI: 10.5465/ambpp.2008.33716518
本文由SocienceAI研究团队撰写。© 2026 阿里巴巴商学院AI商科智能体实验室。欢迎引用，引用格式：SocienceAI. (2026). AI辅助社会科学多层中介效应分析：从Bauer-Preacher-Gil到多层SEM与AI辅助实践. Retrieved from https://www.socienceai.com/articles/multilevel-mediation-analysis-ai-guide.html