中介效应检验的三步回归和sobel、bootstrap有出入，选哪个？sobel、bootstrap是OLS吗

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

在进行中介效应检验时，用固定效应模型（xtreg y x1 x2,fe）采用三步逐步回归，发现自变量和中介变量都是显著的，按理来说就存在中介效应了；但是用sobel和bootstrap检验时，中介变量就不显著了，根据bootstrap得出来的95%置信区间里面也包含了0，通过对比系数发现sobel和bootstrap检验时跑出来的回归和混合回归（OLS）基本一样，请问这时候要选哪个方法啊？sobel和bootstrap检验时能使用固定效应回归(fe)吗，还是它本身就是OLS回归啊？如下：因变量（xHQD）、自变量（LnAI专申）、中介变量（indh）三步回归
.  xtreg xHQD LnAI专申 Gov Urban Ope InfLn Fin i.year,fe
----------------------------------------------------------------------------
        xHQD |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
    LnAI专申 |   1.031515   .2480856     4.16   0.000     .5426579    1.520371 （自变量对因变量的总效应显著）
         Gov |  -1.950249   7.078815    -0.28   0.783    -15.89917    11.99867

. xtreg indh LnAI专申 Gov Urban Ope InfLn Fin i.year,fe
------------------------------------------------------------------------------
        indh |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
    LnAI专申 |   .7073071   .2803669     2.52   0.012     .1548396    1.259775（自变量对中介显著）   
. xtreg xHQD indh LnAI专申 Gov Urban Ope InfLn Fin i.year,fe
------------------------------------------------------------------------------
        xHQD |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
       indh |    .443379   .0510509     8.69   0.000       .34278     .543978
    LnAI专申 |   .7179094   .2181799     3.29   0.001     .2879721    1.147847  (中介和自变量对因变量都显著)

Sobel检验：
.  sgmediation xHQD, mv(indh) iv(LnAI专申) cv(Gov Urban Ope InfLn Fin year1-year9
Model with dv regressed on iv (path c)
      Source |       SS           df       MS      Number of obs   =       270
-------------+----------------------------------   F(14, 255)      =    114.93
       Model |  20815.7103        14  1486.83645   Prob > F        =    0.0000
    Residual |  3298.78107       255  12.9363964   R-squared       =    0.8632
-------------+----------------------------------   Adj R-squared   =    0.8557
       Total |  24114.4914       269  89.6449494   Root MSE        =    3.5967
------------------------------------------------------------------------------
        xHQD |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
    LnAI专申 |   2.353209   .3329573     7.07   0.000     1.697513    3.008906  （显著）   
Model with mediator regressed on iv (path a)
      Source |       SS           df       MS      Number of obs   =       270
-------------+----------------------------------   F(14, 255)      =     18.32
       Model |  5025.02978        14  358.930698   Prob > F        =    0.0000
    Residual |  4997.15139       255  19.5966721   R-squared       =    0.5014
-------------+----------------------------------   Adj R-squared   =    0.4740
       Total |  10022.1812       269  37.2571791   Root MSE        =    4.4268
------------------------------------------------------------------------------
        indh |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
    LnAI专申 |  -.1517652   .4098011    -0.37   0.711    -.9587908    .6552604   （不显著了？？）      

Model with dv regressed on mediator and iv (paths b and c')
      Source |       SS           df       MS      Number of obs   =       270
-------------+----------------------------------   F(15, 254)      =    115.17
       Model |  21023.4376        15  1401.56251   Prob > F        =    0.0000
    Residual |  3091.05379       254  12.1695031   R-squared       =    0.8718
-------------+----------------------------------   Adj R-squared   =    0.8642
       Total |  24114.4914       269  89.6449494   Root MSE        =    3.4885
------------------------------------------------------------------------------
        xHQD |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
       indh |   .2038851   .0493486     4.13   0.000     .1067005    .3010697
    LnAI专申 |   2.384152   .3230242     7.38   0.000     1.748005    3.020299（都显著）
Sobel-Goodman Mediation Tests
                     Coef         Std Err     Z           P>|Z|
Sobel               -.03094267    .08388733  -.3689      .71223216（不显著）
Goodman-1 (Aroian)  -.03094267    .08629055  -.3586      .71990405
Goodman-2           -.03094267    .0814132  -.3801      .70389385
                    Coef      Std Err    Z          P>|Z|
a coefficient   = -.151765   .409801  -.370339    .71113
b coefficient   =  .203885   .049349   4.13152    .000036
Indirect effect = -.030943   .083887   -.36886    .712232
  Direct effect =  2.38415   .323024   7.38072    1.6e-13
   Total effect =  2.35321   .332957    7.0676    1.6e-12
Proportion of total effect that is mediated:  -.01314914
Ratio of indirect to direct effect:           -.01297848
Ratio of total to direct effect:              .98702152
Bootstrap results                               Number of obs     =        270
                                                Replications      =        220
. bootstrap r(ind_eff) r(dir_eff), reps(1000): sgmediation xHQD , mv(indh) iv(LnAI专申) cv(Gov Urban Ope InfLn Fin year1-year9)

command:  sgmediation xHQD, mv(indh) iv(LnAI专申) cv(Gov Urban Ope InfLn
                    Fin year1-year9)
        _bs_1:  r(ind_eff)
        _bs_2:  r(dir_eff)
------------------------------------------------------------------------------
             |   Observed   Bootstrap                         Normal-based
             |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
       _bs_1 |  -.0309427   .0908348    -0.34   0.733    -.2089757    .1470904（包含0）
       _bs_2 |   2.384152   .3546166     6.72   0.000     1.689116    3.079188
------------------------------------------------------------------------------

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏17 回帖

关键词：Bootstrap Bootstra 中介效应检验 sobel boots Stata 中介效应检验 面板数据 回归分析

刚才看到一条帖子说sobel和bootstrap是用于对截面数据的回归，相当于OLS回归，哪位大神知道面板数据的回归要用啥？？？

请问楼主，用固定效应模型采用三步逐步回归法，是直接做三次回归吗？还是有专门的命令？

cvm043259 发表于 2021-6-2 10:37
请问楼主，用固定效应模型采用三步逐步回归法，是直接做三次回归吗？还是有专门的命令？

可以参考一下我的帖子。

cvm043259 发表于 2021-6-2 10:37
请问楼主，用固定效应模型采用三步逐步回归法，是直接做三次回归吗？还是有专门的命令？

用 sgmediation  y,  iv(x)  mv(中介变量)  cv(控制变量 地区 时间效应)命令，可以直接出来三步回归的结果、中介效应检验结果

cvm043259 发表于 2021-6-2 10:37
请问楼主，用固定效应模型采用三步逐步回归法，是直接做三次回归吗？还是有专门的命令？

resboot_mediation,  dv(y)  mv(中介)  iv(x)  cv（控制）reps(1000) 这个也可以，但只汇报后两步回归结果

LLZ-DAD 发表于 2021-6-5 18:21
用 sgmediation  y,  iv(x)  mv(中介变量)  cv(控制变量 地区 时间效应)命令，可以直接出来三步回归的结果 ...

sgmediation这个命令就是sobel检验吧？

18236979471 发表于 2021-6-23 16:03
sgmediation这个命令就是sobel检验吧？

是的，建议用Bootstrap

如果逐步回归和Bootstrap都显著，计算出的中介效应差了挺多，应该报告哪个呢

LLZ-DAD 发表于 2021-6-5 18:21
用 sgmediation  y,  iv(x)  mv(中介变量)  cv(控制变量 地区 时间效应)命令，可以直接出来三步回归的结果 ...

sgmediation  y,  iv(x)  mv(中介变量)  cv(控制变量 地区 时间效应)
这个命令面板数据加不了地区和时间效应，会报错，应该怎么办？