丟丟以為自己已經學會了中介和調節作用，但是卻發現自己在文獻中看到的中介和調節分析和自己學到的好像不太一樣。其中最為複雜的，就是所謂“中介調節”“調節中介”和“跨層階的中介”“跨層階的調節”等。這些複雜的中介和調節，好像跟他以前學的中介和調節概念有很大的區別。今天，丟丟特意來找李老師，談談這些不同的中介和調節作用的問題。丟丟：“老師，我常在文獻中看到‘中介調節’和‘調節中介’作用。這和您之前教我的中介作用和調節作用有什麼區別呀？”李老師：“丟丟，‘調節中介’就是一個‘中介作用’被一個變量‘調節’了。也就是說，中介作用有時候大、有時候小，要看調節變量的大小。同樣的，‘中介調節’就是一個‘調節’作用被‘中介’了。也就是說一個中介變量‘解釋’了調節作用的機製。”
丟丟：“老師，這樣的分析肯定比原來的調節和中介複雜得多了。我們的研究幹嘛要搞這麼複雜的模型，做這麼複雜的統計分析呢？”李老師：“丟丟，一般的研究有兩個方向：一是往外發展，找出新的管理現象，建構新的理論，然後驗證和運用。二是往下深挖，進一步明白目前掌握的現象，進一步深化理論，希望能更好地明白這個現象。這些新的分析工具走的就是後麵一條路線。”
丟丟：“老師，那什麼是‘跨層階的中介’和‘跨層階的調節’呢？”李老師：“顧名思義，這就是中介作用或者是調節作用，牽涉了跨層次的變量在其中。例如，員工的能力影響員工的工作表現，如果這個關係受主管的領導風格調節，那就是‘跨層次的調節’作用了。因為員工的能力與表現都是個人的變量，但是主管的領導風格卻是一個小組層階的變量(一個小組中的不同員工，麵對的都是同一個主管的領導風格）。又如，企業的人力資源管理方法影響員工的表現。如果這個關係被企業的文化中介了，這就是跨層次的中介作用。人力資源管理是企業層階變量，員工表現是個人層麵變量，中介的企業文化又是企業層麵的變量，所以是跨層階的中介模型。”
丟丟：“哇，老師。這樣很複雜啊！我覺得管理研究牽涉的分析方法是越來越數學化，越來越難懂了。到底我們是在學統計，還是學研究呢？”李老師：“丟丟，不要灰心，統計方法是工具。我們隻要懂得用這些工具就行了。舉個例子，要開一部車難嗎？肯定不難！一般人學兩個星期就學會了。但是不要說做一部汽車，單單修理一部汽車就不是件簡單的事請。我們是做研究的，不要因為打開車頭蓋，發現裏麵的裝置很複雜，就不敢開車。我們隻要學會油門、刹車、轉檔、方向盤、後鏡等，就算不懂裏麵的原理，開車也可以完全達到目的地。但是，有一個原則，就是雖然我們不要求‘知其所以然’，但是我們卻不可以連‘知其然’都做不到。舉個實際的例子，我們學過回歸係數的抽樣分布是一個t分布。我不會去問‘為什麼是t分布，而不是卡方分布或是F分布’？這是統計學家的問題。但是我卻不可以不知道‘抽樣分布’的意義，而不用知道為什麼回歸係數的抽樣分布是一個t分布。前者很簡單，我們多用點抽象思維和習慣一點統計符號就可以了。後者就複雜得多，可能要念數學或是統計學的人才可以弄懂了。管理學的研究方法日新月異，我們要培養一顆勇於學習的心，並且能夠分開什麼是‘一定要懂’的知識，什麼是‘最好要懂’的知識，什麼是‘可以不懂’的知識。那就不會給統計學家牽著鼻子走了。”
丟丟：“明白了，李老師。現在越來越發現不懂的東西真的很多啊。唉，不知道我能不能成為一個合格的研究者……”李老師：“丟丟，不要灰心，研究本來就是一個不斷學習和探索的過程。不斷地能學到新的東西不也是很愉快的事情嗎？”丟丟：“嗯，那老師今天可以給我講講這些複雜的中介和調節嗎？”李老師：“醫生的職責就是看見病人就要醫治，老師的職責就是看見好學的學生就要教授。哪有不可以的道理？我們現在就開始吧。”
14.1複雜的調節和中介作用Muller等(2005）是第一個談到所謂的“被調節的中介”效應和“被中介的調節”效應的學者。什麼稱為“被調節的中介”效應呢？如果一個變量x影響y透過中介變量Me，而這個中介作用沒有固定大小，中介作用的大小會受著另外一個調節變量Mo來影響。這個中介(Me）和調節(Mo）的關係，就稱為“被調節的中介”作用（一般稱“中介調節（ModeratedMediation，MoMe）”）。一般的情形是Me的中介作用，有時候大有時候小。最極端的情形，就是Me有時候有中介作用，有時候沒有中介作用，要看調節變量Mo的大小來決定。這就是明顯的“完全調節中介”了。讀者需要注意，這個詞的中英文的位置是互換的。“被調節的中介”稱為“中介調節”MoMe，不是“調節中介”。
因此，“中介調節”是“中介作用被人調節了”的意思。Muller等（2005）用下麵這個例子表明了“被調節的中介”的意思。當一個消費者有“正麵的情緒（positivemood）”（如開心）時，他會更容易有隨意性的購買行動（就是沒有經過詳細分析的購買行為）。為什麼“正麵的情緒”（x）會影響“購買”（y）行為呢？研究者提出的理論是，中間的機製是“正向思維（positivethoughts，Me）”這個中介變量。人在有正麵情緒時，往往想的都是好的東西，自然就會把產品與好的東西連上關係，因而促進了購買行動。因此，“正向思維”中介了“正麵情緒”與“購買行為”這個關係。而“正向思維”也是解釋了為什麼“正麵情緒”會影響“購買行為”的原因。這是簡單的中介作用。研究人員也提出，這個中介關係卻不是在所有情形下都是對的。這個解釋“正麵情緒”影響“購買行為”的機製，隻是對於“認知需求（needforcognition，Mo）”高的人才用得上。有些人很喜歡想問題、喜歡思考，有些人卻不喜歡想這麼多東西。這個變量在研究中稱為“認知需求”。
前者“認知需求”高，後者“認知需求”低。如果一個消費者的“認知需求”很低的話，他買東西時就很少牽涉認知上的問題。說得明白一點，這些人往往喜歡就買，從來不會想這個產品有什麼好，有什麼用，是否用得著，等等。因此，對於“認知需求”低的人來說，“正向思維”很難說是解釋“正麵情緒”與“購買行為”的關係的機製。因為他們買東西時，很少經過複雜的思維活動。換句話說，“正向思維”的中介作用和解機製，隻是對“認知需求”高的人才用得上的。因此，“正向思維”（Me）對“正麵情緒”（x）影響“購買行為”（y）的中介作用，就被“認知需求”（Mo）調節了。這個關係就稱為“被調節的中介（ModeratedMediation，MoMe）”作用，因為“正向思維”這個中介作用，被“認知需求”調節了。那麼，“被中介的調節”效應又是什麼呢？我們常常說中介變量是用來解釋為什麼自變量（x）會影響因變量（y）的作用機製。完全的中介作用的意思是，如果不是“透過中介變量Me”，自變量（x）根本不會影響因變量（y）。用同樣的一個邏輯，“中介調節”效應就是一個用來解釋“為什麼調節變量（Mo）會調節自變量（x）和因變量（y）的關係”的機製。調節變量（Mo）之所以調節x與y的關係，是透過一個機製，而這個機製就是用中介變量（Me）來代表。換句話說，Mo之所以調節x對y的影響，完全是透過Me這個機製。沒有Me這個中介變量的作用，Mo這個調節作用根本不會發生。這個中介（Me）和調節（Mo）的關係，就稱為“被中介的調節（MediatedModeration，MeMo）”作用。讀者要留意，“被中介的調節”稱為“調節中介”MeMo。因此，“調節中介”是“調節作用被人中介（解釋）了”的意思。Muller等（2005）使用了一個很恰當的例子，用來解釋“被中介的調節”作用。他們使用的是著名的博弈論（gametheory）中的囚徒困境。表14.1就是這個博弈。表14.1犯人乙不指證犯人甲犯人乙指證犯人甲犯人甲不指證犯人乙兩人都要坐牢1年犯人甲坐牢3年，犯人乙無罪釋放犯人甲指證犯人乙犯人乙坐牢3年，犯人甲無罪釋放兩人都要坐牢2年在這個情形下，兩個犯人都要猜測對方會不會指證自己。如果雙方都不指證對方，那是雙贏的局麵，因為雙方的總坐牢時間最短。但是，如果其中一個不指證，但另外一個指證，就會一個得益、一個受損。那在什麼情形下犯人會指證對方呢？什麼因素會影響一個犯人是否指證對方呢？研究人員提出如下的理論：第一個影響因素是激發效應（primingeffect）。如果在犯人決定是否要指證對方之前，研究人員給他看一篇充滿“道德性”詞語的文章，犯人就會因為有道德的導引而偏向於不指證對方。因為他們會覺得不應該背叛同伴。但是如果給他看一篇充滿“懷疑性”詞語的文章，犯人就會偏向於指證對方。因為他們會懷疑同伴會出賣他們。在對方出賣自己的情形下，如果自己不指證，對方會無罪釋放，但自己卻要坐牢3年。因此，不同的激發priming（“道德性”還是“懷疑性”）就影響了犯人是否指證同伴。第二個影響的因素是親社會性傾向（prosocialpersonality）。一個“隻看重自己”的人（proself）傾向於指證對方。一個“看重別人”的人（prosocial）傾向於不指證對方。而社會性傾向調節了激發效應對是否指證對方的影響。對於一個“看重別人”的犯人，在決定前看了“道德性”詞語的文章會偏向於不指證同伴。如果是看了“懷疑性”詞語的文章會偏向於指證同伴。但是，對於一個“看重自己”的犯人，無論看了什麼詞語的文章都偏向於指證同伴，以求自保。因此，“親社會性傾向”（Mo）調節了“激發效應”（x）對是否“指證同伴”（y）的影響。激發詞語道德性懷疑性親社會性傾向看重別人不指證同伴指證同伴看重自己指證同伴指證同伴我們如何解釋這個調節的作用呢？“親社會性傾向”之所以調節了“激發效應”對“指證同伴”的影響，主要的原因是“親社會性傾向”反映了一個犯人如何看待同伴。一個“隻看重自己”的犯人會常常懷疑對方出賣自己。一個“看重別人”的犯人比較不會懷疑同伴出賣自己。因此，“懷疑同伴”是否會出賣自己，就是解釋“親社會性傾向”調節“激發效應”對“指證同伴”的影響的機製。換句話說，“懷疑同伴”（Me）中介了“親社會性傾向”（Mo）調節“激發效應”（x）對“指證同伴”（y）的影響這個機製。這個關係就稱為“被中介的調節”作用。
簡單來總結一下，“被調節的中介效應（ModeratedMediation，MoMe）”是一個簡單的中介關係（Me中介了x與y的關係）被Mo調節了。“被中介的調節效應（MediatedModeration，MeMo）”是一個簡單的調節作用（Mo調節了x與y的關係）被Me中介了。14.2不同類型的調節中介和中介調節Preacher，Rucker和Hayers（2007）談到了5個類型的“被調節的中介效應”和“被中介的調節效應”。
在這裏我們試圖去簡化一下。變量（Mo）調節了變量（x）與變量（y）的關係。圖14.4其實是一個簡單的調節回歸分析（moderatedregression），即y=b0+b1x+b2Mo+b3xMo如果我們說這個調節關係被“中介”了。變量（Me）中介了變量（x）與變量（y）的關係。
但是如果讀者留意的話，整個中介作用由兩個部分組成，就是“x與Me的關係”和“Me與y的關係”。
調節變量（Mo）其實是調節了x與Me的關係而已。Mo沒有調節Me與y的關係。但是調節變量（Mo）不一定要調節x與Me的關係，Mo也可以調節Me與y的關係。一般情況下，我們會將上麵的情形稱為“前期的調節中介（firststagemoderatedmediation）”；下麵這種情形就稱為“後期的調節中介（secondstagemoderatedmediation）”。
自然，調節變量Mo是可以在“前期”和“後期”同時調節這個中介作用的。
上麵的討論好像已經幫助我們理清“調節中介”和“中介調節”這兩個不同的模型了。但是事實卻不然。如果讀者細心的話，就會看所謂“中介調節”其實是與“前期調節中介”是一模一樣的。但是，這怎麼可能呢？“調節中介”與“中介調節”在概念上是完全不同的東西，怎麼可能它們的數學模型是一模一樣的呢？事實卻正是這樣。其實，過去已見過兩個類似的例子。第一，“x影響y”與“y影響x”在概念上是完全相反的事情。但是，驗證時卻都是用同一個指標，就是x與y的相關係數。第二，調節作用（moderation）與交互作用（interaction）其實在概念上也是不一樣的。但是，驗證時都是用同一個方法，就是用兩個變量的乘積作為一個新的自變量。因此，“中介調節”與“前期的調節中介”的數學模型是一樣的，雖然是有點古怪，但也不是完全不可以理解的。正因為這個原因，有些學者（如Edwards&Lambert，2007）就索性建議：在理論的層麵可討論“中介調節”與“調節中介”，但是在驗證時，就不要分開“中介調節”或是“調節中介”了。他們甚至建議，也不要分什麼“前期”“後期”調節中介。
14.3驗證調節中介和中介調節
其實，無論是“調節中介”，或者是“中介調節”，都牽涉了一個中介作用加上一個調節作用。從模型的結構上來說，一個簡單的中介作用牽涉了從自變量x到中介變量Me的作用（這個路徑係數一般稱為a）和從中介變量Me到因變量y的作用（這個路徑係數一般稱為b）。在談中介作用時，我們已經解釋了這個中介作用的大小，就可以看成是路徑係數a與b的乘積。因此，驗證中介關係的虛無假設是H0：ab=0。所謂“調節中介”MoMe，也就是當這個中介作用被調節變量Mo調節時，要麼就是自變量x到中介變量Me的作用被調節（也就是說a的大小受Mo影響）；要麼就是中介變量Me到因變量y的作用被調節（也就是說b的大小受Mo影響）。如果我們加上自變量x對因變量y的直接影響（這個路徑係數一般稱為c）的話，也有可能是自變量x到因變量y的直接作用被調節（也就是說c的大小受Mo影響）。那所謂“中介調節”MeMo，也就是被中介的調節效應又如何呢？如果自變量x到因變量y的作用被Mo調節，而這個調節作用被中介變量Me中介了，我們在上一段已經談過了，其實結構圖型畫出來還是一樣的。也就是Edwards和Lambert（2007)所用的模型。因此，我們得到一個結論，就是理論上來說，“調節中介”和“中介調節”會牽涉不同的機製。但是在驗證的時候，兩者用的驗證方法是一樣的，也就是下麵這個模型。
現在讓我們看看這個調節中介（或者是中介調節）模型的驗證方法。因為這個模型比較複雜，可首先觀察一些相對簡單的模型。調節變量Mo隻是調節了自變量x與中介變量Me的關係，中介變量Me到因變量卻沒有被調節。因此，這是“前期的調節（firststagemoderation）”。
為了方便讀者明白，我們隨著Edwards和Lambert（2007）的符號，把Me改稱為M，把Mo改稱為Z。
把上麵的關係用回歸分析的方程表現出來，則M=a05+ax5X+az5Z+axz5XZ+em5
Y=b04+bx4X+bm4M+ey4把上式代入下式中，再重新整理，得Y=［b04+（a05+az5Z)bm4］+［bx4+（ax5+axz5Z)bm4］X+（ey4+bm4em5)這裏我們看見自變量x對因變量y的影響，是一個蠻複雜的函數［bx4+（ax5+axz5Z)bm4］。而這個函數中包括了變量Z在內，因此Z是一個調節變量。簡單來說，就是x對y的影響會隨著Z的數值而改變。我們也可以看見這個所謂的中介調節或是中介調節效應，一定要當axz5bm4≠0時才會與Z有關係。換句話說，隻有在axz5bm4≠0時中介調節才存在。其實，這也蠻明顯的，axz5是表明了調節作用（或者可以看成是中介的前期作用），bm4是中介的後期作用（M對y的影響）。因此axz5bm4就成了調節中介的效用值（effectsize）了。上麵講的是調節變量Z調節了中介的前段關係（X對M的影響）。現在讓我們看當調節變量Z調節了中介的後段關係（M對Y的影響）時的情形。
把上麵的關係用回歸分析的方程表現出來，則M=a03+ax3X+em3
Y=b010+bx10X+bm10M+bz10Z+bmz10MZ+ey10把上式代入下式中，再重新整理，我們得到：Y=［b010+a03bm10+（bz10+a03bmz10)Z］+［bx10+ax3（bm10+bmz10Z)］X+
［ey10+bm10em3+bmz10em3Z］
由上式可知，當調節變量Z調節了中介的後段關係（M對y的影響）時，自變量x對因變量y的影響，也是一個蠻複雜的函數［bx10+ax3（bm10+bmz10)Z］。同時，這個“後期的調節中介”作用取決於ax3bmz10是否為0。ax3是中介作用的前期效應（x對M的影響），bmz10是中介作用的後期並為Z調節的效應（M對y的影響）。如果考慮Z調節x對y的直接作用，並把3個不同的調節效應也算在一起，則M=a05+ax5X+az5Z+axz5XZ+em5
Y=b020+bx20X+bz20Z+bm20M+bxz20XZ+bmz20MZ+ey20Y=［（b020+bz20Z)+（a05+az5Z)（bm20+bmz20Z)］+
［（bx20+bxz20Z)+（ax5+axz5Z)（bm20+bmz20Z)］X+［ey20+bm20em5+bmz20Zem5］在上麵的公式中，X對Y的影響是一個更複雜的函數（bxz20+axz5bm20+ax5bmz20)Z+axz5bmz20Z2，其中甚至有Z的平方的關係。利用上麵的公式，我們就可以計算前期調節中介和後期調節中介的效用值［注：我們在前麵已經講過，調節中介和中介調節的統計驗證方法是一樣的。因此，我們在這裏就統一地都將它們稱為“調節中介”。
如果你的假設是“中介調節”的話，步驟也是相同的］。它們分別是：①前期調節中介（即調節變量是調節X→M的關係）的效用值是axz5Z×bm4。②後期調節中介（即調節變量是調節M→Y的關係）的效用值是ax3×bmz10Z。其實上麵的公式一點都不難理解。我們知道，如果中介作用沒有被調節，中介作用的大小，就是前期的中介作用（x對M的影響，我們稱為a）和後期的中介作用（M對y的影響，我們稱為b）的乘積。這個也就是我們驗證中介作用的虛擬假設H０：ab=0。現在考慮調節中介作用，前期調節中介就變成了x×Z的估計參數，也就是axz5。後期調節中介就變成了M×Z的估計參數，也就是bmz10了。所以整個（調節了的）中介作用，就分別是axz5Z×bm4和ax3×bmz10Z了。可是讀者還會看見，這裏的調節中介作用的效用值（effectsize），包含了一個變量Z。當Z的值不同時，調節中介作用就不同了。那什麼才是我們估計的調節中介作用的效用值呢？在這裏可采用表達調節作用的一般習慣，就是采用兩個不同的Z值，一個代表Z是“高”的時候，一個代表Z是“低”的時候。“高”的Z值是當Z加上一個標準差，“低”的Z值是當Z減去一個標準差。把這兩個Z的值代入上麵的公式，就可得到兩個axz5×bm4的值。這兩個axz5×bm4的值的差就可以看成是調節中介的效用值。如果是後期的調節中介的話，隻要用ax3×bmz10取代了axz5×bm4即可。到這裏我們隻是談了如何估計前期和後期調節中介作用的效用值而已。但是如何做假設檢驗呢？就算是樣本的調節中介的效用值不是0，也不代表總體的調節中介的效用值不是0。換句話說，我們如何知道axz5Z×bm4和ax3×bmz10Z的值是否顯著（它們的值在總體是否為零呢）？正如驗證中介關係一樣，因為我們不知道這個“複雜的乘積”的抽樣分布。在討論簡單的中介變量時可知，在抽樣分布不明的情形下唯有借助bootstrapping了。不同的統計軟件做bootstrapping的能力都不一樣。我們自己覺得做這一類型的bootstrapping，可能Mplus這個軟件是最強的。因為Mplus可直接把要做bootstrapping的統計項寫成公式，直接的、一步的命令程式對這個使用公式計算出來的統計項進行bootstrapping。在附錄1中列出了一個“前期調節中介”的Mplus程序和結果，供讀者參考。對於喜歡用SPSS的讀者，Preacher，Rucker和Hayes（2007)提供了一個SPSS的程式和一個檔案來為上麵這個複雜的函數做bootstrapping（讀者可參考Prof.Hayes的網頁，網址是http：//afhayes.com/spsssasandmplusmacrosandcode.html）。我們將在附錄2中簡單介紹這個程序。
另外一個觀點以上介紹了“調節中介”和“中介調節”的分析方法。在這個方法中，無論是“調節中介”，或者是“中介調節”，都是用同一個既有中介變量（Me）又有調節變量（Mo）的模型來表示。而且在模型中，是所有的中介路徑都給調節變量（Mo）調節了。因此，雖然在理論上“調節中介”和“中介調節”有顯著的分別，但是我們在驗證時，就沒有區分“調節中介”或是“中介調節”了。這是Edwards和Lambert（2007)與Preacher，Rucker和Hayes（2007)兩組學者的共同觀點。但是最近另外一組學者，卻提出了一個對“調節中介”和“中介調節”的分析很不一樣的觀點，而且這個新的觀點似乎日漸流行起來。Liu，Zhang和Wang（2012）在《組織與管理研究的實證方法》一書的第二版裏，提出了一個對“調節中介”和“中介調節”比較獨特的定義和驗證的方法。因為這個方法很簡單，而且他們在文章的附錄裏提供了MPlus的相應程序，我們估計這個看法可能影響很大，所以覺得有討論一下的必要。
被中介的調節作用（MediatedModeration，MeMo）Muller等（2005）是在理論的層麵定義了“調節中介”和“中介調節”作用。這也是我們一直在上麵的討論中使用的。“調節中介”就是一個中介作用被一個調節變量（Mo）調節了。“中介調節”是一個調節作用被一個中介變量（Me）中介或是解釋了。Liu，Zhang和Mo（2012）遵從了管理文獻中，不把“中介作用（mediationeffect）”和“間接作用（indirecteffect）”分開的習慣，就把所有的間接作用都稱為中介作用。所謂的“間接作用（indirecteffect）”，就是變量x影響Me，而變量Me影響y，x就稱為對y有間接作用，因為x→M→y，X是間接地影響了y。傳統的所謂“中介作用（mediatingeffect）”，就是x對y的作用是可以完全或部分由Me來解釋的。這兩者看似很像，但是本質上是有點分別的。舉個例子，經濟低迷（x）與政府增加開支（Me）應該有正相關的。社會經濟越是不好，政府就越可能增加開支。同時，政府增加開支（Me）、社會的就業率（y）就會增加。因為政府增加開支，往往是修橋整路，因此會創造新的就業的機會。這是一個明顯的間接作用。但是，我們卻很少會說，經濟低迷（x）會導致社會的就業率（y）增加，而中間的機製是政府增加開支（Me）。其實，這就是在中介作用的假設（Me中介了x與y的關係）時，到底x與y是不是需要有顯著相關的討論。如果是傳統的對中介作用的理解，理論上應該先有x與y的相關，才有必要提出Me這個用來解釋x與y的相關的“機製”變量（見Kenny，Kashy&Bolger，259頁）。但是現在的管理學文獻，幾乎一麵倒地支持，當Me是x與y的中介變量時，x與y是不需要有相關的（見MacKinnonetal.，2000；Shrout&Bolger，2002；Zhao，Lynch&Chen，2010）。隻要x→Me（上麵我們把這個效應簡稱a值）和Me→y（簡稱b值）同時顯著，也就是a×b≠0，Me就稱為x與y的中介變量。這就是把“中介作用”完全等同“間接作用”。
我們從起初開始，基於中介作用的概念定義出發，一直都不同意這種混淆的用法。但是，第一，作為一個操作定義，本來就無所謂對錯之分。隻要我們把“中介作用”“定義”為（x→Me）加上（Me→y）的話，那就不存在什麼“正確與否”的不同意見了。以後，中介作用就“定義”為a×b。隻要a×b不是0，就是所謂中介作用了。其實，現在連最先提出中介作用的學者肯尼教授（DavidA.Kenny）也開始采用這樣的中介作用的定義了。第二，就算我們不把這個稱為“中介關係”，我們隻要把它稱為“間接作用”，那上麵所談的“調節中介作用”就稱為“調節間接作用”，其中的分歧就不複存在了。明白了上麵的“理解”以後，我們就可以看看，如果我們把“中介作用”等同於“間接作用”，可以怎樣從一個新的角度來看“中介調節”作用。如果“中介”就是x的影響，經過Me來傳遞到y上的話，那麼“中介作用”的定義就可以是“x對Me的影響（假設為a）乘Me對y的影響（假設為b）”了。用這麼一個角度來看的話，我們就可以定義“調節中介”作用（MeMo）為一個調節作用x×Mo→Me（稱為a1）乘以一個傳遞作用Me→y（稱為b1）了。隻要a1b1≠0，我們就說“調節中介”作用顯著了。Liu，Zhang和Mo（2012）把這一種關係稱為“第一類型的中介調節”。
這個“第一類型的中介調節”是完全符合上麵這個中介作用的操作定義的。過去的中介作用的定義，就是凡是x影響Me（效用值是a）和Me影響y（效用值是b）的乘積a×b不是0，那麼Me就稱為x與y的中介變量。現在我們隻是把x換成是x×Mo。如果（x×Mo→Me）與（Me→y）的效用值a1b1≠0，那麼Mo這個對x與y的調節作用，就稱為被Me中介了。這就是Liu，Zhang和Mo（2012）所說的“第一類型的中介調節”。
根據Liu，Zhang和Mo（2012），我們還有另一類的“中介調節”關係，就是Mo調節x→y；Me也調節x→y；同時Mo→Me。這一種稱為“第二類型的中介調節”。
因為Mo與Me都是調節，但是Mo影響Me，根據我們上麵a×b的邏輯，Me就中介了x×Mo對y的這個調節作用了。這個中介作用的大小就是Mo對Me的影響（a2）乘以Me調節x與y的關係的大小（b5）。因此，H0：a2b5≠0就是我們的假設。
被調節的中介作用（moderatedmediation）Liu，Zhang和Mo（2012）講的“調節中介”作用，基本上是與Muller等（2005)和Edwards和Lambert（2007)講的一樣的。“調節中介”作用也可以分成“前期”和“後期”的調節中介。如果Me中介了x對y的影響，而Mo是調節了x對Me的影響，這樣就稱為“前期的調節中介”。
如果Mo是調節了Me對y的影響，這樣就稱為“後期的調節中介”。
在這個新觀點下驗證“調節中介”和“中介調節”作用除了對中介調節有一個稍微不同的定義外，Liu，Zhang和Mo（2012）還對“調節中介”和“中介調節”的驗證作了一個不同的操作性區分。因為“被中介的調節作用”本身是一個“調節作用”被“中介”了，所以他們建議驗證“被中介的調節作用”時，應該用中介作用的驗證方法。我們在上麵的討論已經談過了。在這個定義下，中介作用的驗證方法是a1×b1=0。在“調節中介”中，a1是x×Mo對Me的影響，b1是Me對y的影響。對於“第一類型的被中介的調節作用”中，則Me=a0+a2X+a3Mo+a1XMo+e1
Y=b0+b2X+b3Mo+b1Me+b4XMo+e2驗證的方法，就是H0：a1×b1=0［注，為了完整起見，所有的參數都要同時估計。因此，我們是假設讀者明白了這裏和下麵的所有的估計都是用“結構方程建模”SEM把所有公式的參數同時估計出來的，而不是分別跑兩個不同的回歸分析來估計a1與b1的。因為a1×b1的抽樣分布不是已知的統計分布（如t分布、F分布、χ2分布等），因此，還是要用bootstrapping的方法來驗證樣本的a1×b1是否為0。］對於“第二類型的被中介的調節作用”中，則Me=a0+a1X+a2Mo+e1
Y=b0+b1X+b2Mo+b3Me+b4XMo+b5XMe+e2驗證的方法，就是H0：a2×b5=0［注，第二型與第一型最大的分別是Me也會調節x→y的關係，故式中有x×Me項。同時，Mo沒有調節x→Me的影響。因此，第一條公司沒有x×Mo→Me的項］。其中，a2是Mo對Me的影響，也是中介的第一項；同樣的，因為a2×b5的抽樣分布不是已知的統計分布，因此還是要用bootstrapping的方法來驗證樣本的a2×b5是否為0。Liu，Zhang和Mo（2012）跟隨了文獻中使用a×b來驗證中介效應，也同時跟隨了文獻中使用“正負一個標準差”來驗證“前期的調節中介”和“後期的調節中介”。
這一點我們在上一個分段已經談過了，在這裏就不再詳細談了。簡單來說，我們首先計算Mo的標準差（σ）和平均值（Mo）。如果是前期的話，公式為Me=a0+a1X+a2Mo+a3XMo+e1
Y=b0+b1X+b2Me+e2計算θ={b1+［a1+a3（Mo+σ)］b2}-{b1+［a1+a3（Mo－σ)］b2}，就是當“調節變量Mo是高於平均一個標準差時”的中介作用，與當“調節變量Mo是低於平均一個標準差時”的中介作用的差別。如果兩者的差別θ≠0，就代表調節變量的不同數值會影響中介作用的大小，那就是中介被調節了。因此，“前期的調節中介”的虛擬假設為H0：{b1+［a1+a3（Mo+σ)］b2}－{b1+［a1+a3（Mo－σ)］b2}=0同樣的，這個統計項的抽樣分布是不明的。所以還是要用bootstrapping用重置再抽樣的方法來驗證這個樣本統計項是否為0。如果是“後期的調節中介”的話，公式則為Me=a0+a1X+e1
Y=b0+b1X+b2Me+b3Mo+b4MeMo+e2而調節中介的統計項就是［b1+a1（b2+b4)Mo］。因此，“後期的調節中介”的虛擬假設為H0：［b1+a1（b2+b4)（Mo+σ)］－［b1+a1（b2+b4)（Mo－σ)］=0
同樣的，這個統計項的抽樣分布是不明的。因此，還是要用bootstrapping用重置再抽樣的方法來驗證這個樣本統計項是否為0。14.4跨層階的中介變量的分析在討論多層階變量的影響前，我們一定要明白什麼叫“組內方差”，什麼叫“組間方差”？本來這個概念，我們在HLM一章裏麵已經解釋了。不過為了清楚起見，我們在這裏再講一次。如我們用yij來代表一個員工的表現（ij代表第j組的第i個員工），因為每一個組內都有很多的員工，而每個組內的每一位員工是同時受著個人的因素（因為第i個員工的個人特點）和小組因素（因為他是第j組的員工，所以麵對第j組的小組因素）影響的。因此，第i組的第j個員工的工作表現（yij），是可以拆開分成兩個部分的，即（yij-y)2=（yij-y.j)2+（y.j-y)2方程的左邊是一個員工的表現，離開所有員工的平均表現的方差。右邊的第一項是“一個員工的表現，離開他自己小組的平均表現的方差”，這個我們稱為“組內方差”。
右邊的第二項是“一個小組的平均表現，離開所有員工的平均表現的方差”，這個我們稱為“組間方差”。
“組內方差”隻會受組內的變量影響，“組間方差”隻會受組間的變量影響。例如，經過方差的分拆（variancepartitioning）後，一個組與另外一個組的平均表現的不同，可能會是因為不同組的領導不同（組間的變量）的影響。至於每一個員工的表現，離開他的小組平均表現，就可能是他的工作能力（組內的變量）的影響了。我們不可能說“一個員工的表現，離開他的小組平均表現”（組內方差）是因為領導不同（組間變量），因為無論是“一個員工的表現”和“他的小組平均表現”都是以同一個組作為參照的。這就等於我們比較兩個漢族人的表現區別時，我們卻說是因為種族不同一樣的荒謬。同樣的，當比較組間的不同時，我們不會說是因為個人（組內）的原因的。這就等於我們比較一個美國人的表現與一個中國人的表現的區別時，我們應該說他們的表現的區別是“美國人的總體表現與中國人的整體表現”不同，而不會說是因為“中國人在上海、美國人在紐約”一樣。明白了這個區別後，我們就可以看跨層次的中介變量分析了。14.4.1“211”模型一般我們處理的中介關係都是前因（自變量x）與後果（因變量y）在同一個層麵的。而中介變量（M）如果是用來解釋x與y的關係，自然也是與x和y在同一個層麵。但是今天的管理研究模型越來越複雜，有時候研究者會模擬一些跨層次的中介關係。Zhang，Zyphur和Preacher（2009）就特別討論了幾個這樣的中介模型。不過，在討論以前，讓我們首先看幾個例子，好認識一下什麼稱為“跨層次的中介模型”。
如果一個企業的人力資源管理做得好的話，員工的收入有保障，表現好的員工有好的晉升機會，工資與表現成正比，員工自然有投入感，工作效率也相應地提高。企業的人力資源管理一般研究就用的是一個稱為“高效能人力管理機製（HighPerformanceWorkPractices，HPWP）”的構念。高的HPWP，代表企業有一個好的人力資源管理係統，如選賢與能、按勞取酬、充足培訓、上和下睦等。但是HPWP影響員工的表現和投入感，到底是通過怎樣的機製呢？其中一個是認同理論。就是說企業的HPWP高，員工就會對企業有高的認同感。當員工與企業是連成一起時，企業的成功就是員工的成功。