一、中介效应含义
考虑自变量X对因变量Y的影响，如果X通过影响变量M、N等其它变量而对Y产生影响，则称M、N等为中介变量。
下图展示了X通过M最终到Y的过程，a表示X到M的系数，b表示M到Y的系数，c表示X到Y的总效果，c*表示X到Y的直接效果。
如果M为 X到Y的中介，则需满足下列条件：
（1）M=aX, a≠0,且显著；
（2）Y= cX, c≠0,且显著（总效果）；
（3） Y=bM+c*X ,b≠0,且显著;
如果c*≠0, 则M为X到Y的部分中介；如果 c*=0, 则M为X到Y的完全中介，a*b表示中介效应，并且总效应等于直接效应与中介效应的和，即c=a*b+c*。
二、中介效应检验的AMOS操作
我们以张伟豪老师的案例作为讲解
1. 单因子中介效应
我们要研究一个企业的 服务品质与满意度、忠诚度之间的关系。如果我们想验证 顾客因为服务品质高，所以对企业有很高的满意度，进而产生对该企业产品的忠诚度的结论。即满意度是服务品质到忠诚度之间的中介。
首先打开软件Amos，读入数据（读取数据，Amos绘图等基本操作请读者参考其它资料，本文假定读者已经具备Amos基本操作能力），绘制上面路径图，注意一定要在路径线上表明a,b,c等符号，便于估计结果；
设置输出属性，output 选择间接，直接，总效应；bootstrap 选择抽样次数和置信区间，如下图，其它采用默认
然后计算结果，上图第一个里面红色圆圈右边那个就是计算结果键，计算完成后，打开结果输出文本，就是红圈下面那个图，点开后estimate下面scalars,显示下图a*b为中介效应，c‘为直接效应
也可以看Matrices，下面显示总效应，直接效应，间接效应（包括标准化结果），可以检验间接效果值等于a*b（软件直接给出计算后的结果）
上图中output 下面bootstrap里面会给出各系数的标准误和bias-corrected和pecentile 置信区间，可判断显著性
2. 二因子中介效应
和上例比，多了一个企业形象因素，见下图
此时，包括总效应，直接效应，总间接效应，特定的间接效应（即每个的间接效应，本例中服务品质通过企业形象和满意度两个中介可到忠诚度，两个特定间接效应）
Amos操作主要步骤同上（包括读取数据，画路径图，设置输出选项等，要选上bootstrap和三种效应），然后计算结果，依然可以通过上述方法得到结论（但只能给出总间接效应，直接效应和总效应，不能给出特定中介效应），此处我们采用写代码的方式操作，得到各种效应，在Amos软件左下角一行英文语句上点右键，新建一个估计（create a new estimand ）
在输出对话框中，your code goes here 下面一行写代码，
dim x() as double 括号中的数字是最终的总个数，注意第一个从0开始
x(0)= v.parameterValue() *v.parameterValue() 括号中的a1等可在上面parameter names里面选，会自动带上引号
最后记得写 return x
下面advanced下面可以设置每一个的标签 dim labels() as string
最后记得return labels
设置好后，保存一个名称比如test1，然后计算运行，然后打开输出结果文档，estimate 下面scalar 最下面会显示test1，点击test1，会出现代码设置的各种结果，上图中x(2)=x(1)-x(0）表示两组中介效应是否存在显著差异，选中结果后，下面bootstrap里面bias-和percentile会给出置信区间和标准误，以及显著性
三、远程中介效应（链式中介）
远程中介指经过两次及以上中介效应达到最终目标,如下图共有三组中介效应，分别是abc,dc,ae, 其中abc即服务品质到企业形象到满意度到忠诚度为远程中介。
软件操作和二因子类似，采用代码，可以把所有需要求解的效应计算出来，如下图，当然可以自己多设置，比如比较x1和x2的显著性差异是否存在，可设置 x(3)=x(1）-x(2）,也可以在服务品质和忠诚度之间的线上增加字母f，可求解出直接效应。等等
四、多重中介
多重中介是回归分析的拓展，相当于回归分析前加了一个自变量（下图为多重中介的例子，本例中相当于回归前面加上自变量服务品质）
软件操作方法和上述一样，可通过代码设置出所需效应，此处不再列出。