【Knowledge Sharing】当reviewer要求提供中介效应统计功效（检定力）时，怎么办？

Ye Yuan (袁野) & Wen-Lung Shiau (萧文龙) 

统计功效（检定力分析；power analysis)是避免型II错误最有力的检定。在中介研究中，当样本小或中介效果小的时候，为了避免型II错误，reviewer 有可能要求提供中介效应统计功效分析，怎么做？

以Shiau et al. (2020) 为例，我们根据Liu and Wang (2019)的研究，可以对于多中介模型进行检定力分析， 学者Schoemann, Boulton, and Short (2017)提供了一个方便的工具，使用Monte Carlo(蒙特卡洛)置信区间进行检定力分析，https://schoemanna.shinyapps.io/mc_power_med/ (Schoemann et al., 2017)。

我们以Shiau et al. (2020) 为例,介绍该工具的使用如下。

Step 1 打开网页

打开检定力分析工具网页https://schoemanna.shinyapps.io/mc_power_med/，如图1-1。

图1-1 蒙特卡洛间接效应检定力分析工具页面

Step 2 设置

选择model（模型）：One Mediator（单一中介因子）, Two Parallel Mediators（两个并行中介因子）, Two Serial Mediators（两个连续中介因子）, Three Parallel Mediators（三个并行中介因子）；选择objective（目的）：Set N, Find Power（设置样本数，找到检定力）, Set Power, Vary N（设置检定力，使样本数变化）。根据实际需要，选择相应的模型和目的，观察页面变化，将数据填至对应的栏目中。

例如，我们以Shiau et al. (2020) 为例，想要根据该研究的样本数确定检定力，观察研究中的两个中介效应分析，Financial self-efficacy->Confirmation->Perceived Usefulness和Technological self-efficacy->Confirmation->ceived Usefulness，如图1-2。根据该研究中的数据，表1-1，整理表1-2和表1-3。

图1-2 研究模型(Shiau et al., 2020)

表1-1 中介效应分析(Shiau et al., 2020)

表1-2 Std Deviation

表1-3 Direct effects and Indirect effects

Step 3 运行计算

将工具网页上的所需数据分别填至对应栏目，点击Calculate Power（运行检定力分析），得到结果，如图1-3，1-4所示，Financial self-efficacy-Confirmation-Perceived Usefulness中介效果功效是1.0，Technological self-efficacy-Confirmation-Perceived Usefulness中介效果功效是0.59。

图1-3 Financial self-efficacy-Confirmation-Perceived Usefulness 检定力分析

图1-4 Technological self-efficacy-Confirmation-Perceived Usefulness 检定力分析

此外，我们提供一个两并行中介因子的检定力分析范例，供参考，方法与上面的单一中介因子基本相同。样本数为950，三个模型如图1-5所示。

图1-5 两个并行中介因子模式

相关数据如表1-4，表1-5所示。

表 1-4 Std Deviation

表1-5 Direct effects and Indirect effects

Model4的检定结果如图1-6所示，并行的Perceived Benefit和Satisfaction对Confirmation对Continuance Intention的作用的中介效果功效为1.0。读者可以根据以上数据，尝试另外两个模型Model 5和Model 6的检定力分析。

图1-6 Model 4 检定力分析

References：

Liu, X. and Wang, L. (2019), “Sample Size Planning for Detecting Mediation Effects: A Power Analysis Procedure Considering Uncertainty in Effect Size Estimates”, Multivariate Behavioral Research, Routledge, Vol. 54 No. 6, pp. 822–839.

Schoemann, A.M., Boulton, A.J. and Short, S.D. (2017), “Determining Power and Sample Size for Simple and Complex Mediation Models”, Social Psychological and Personality Science, Vol. 8 No. 4, pp. 379–386.

Shiau, W.L., Yuan, Y., Pu, X., Ray, S. and Chen, C.C. (2020), “Understanding fintech continuance: perspectives from self-efficacy and ECT-IS theories”, Industrial Management and Data Systems, Vol. 120 No. 9, pp. 1659–1689.(ESI 1% high cited article)