在社会科学、心理学及医学研究中，中介效应分析是验证变量间复杂关系的重要工具，而SPSS 作为主流统计分析软件，其数据处理能力直接影响研究结果的可靠性。然而，实际数据分析中普遍存在的缺失值问题可能严重干扰中介效应的检验结果。本文将从SPSS 中介效应缺失值处理方案、多重插补操作的具体实现，系统解析如何通过SPSS 优化缺失值处理流程，提升研究结论的稳健性。

　　一、SPSS 中介效应缺失值处理方案

　　缺失值是数据分析中不可忽视的挑战，尤其在涉及多重中介变量的模型中，单一变量的缺失可能导致整个样本被排除。SPSS 为此提供了多种基础处理方案：

　　1.列表删除法（Listwise Deletion）

　　在SPSS 中可通过“分析-回归-线性”路径执行，系统默认剔除含缺失值的样本。此方法操作简单，但会导致样本量锐减，尤其当缺失率超过5%时可能引发估计偏差。例如，在检验“工作压力-情绪耗竭-工作绩效”的中介链时，若“情绪耗竭”变量缺失率达10%，直接删除会损失大量有效信息。

　　2.均值/中位数填补

　　通过SPSS “转换-替换缺失值”功能，可选择序列均值、临近点均值或中位数填补。适用于连续变量且缺失随机分布的场景，但会低估变量方差。例如对收入变量的填补需注意极端值影响，建议结合“缺失值分析”模块评估缺失机制。

　　3.回归填补（Regression Imputation）

　　在SPSS 中可利用“分析-回归-线性”建立预测模型，将缺失变量作为因变量，其他变量作为自变量生成预测值。此方法能保留变量间关系，但需严格检验自变量的多重共线性问题。

　　二、SPSS 中介效应多重插补操作

　　多重插补（Multiple Imputation,MI）作为当前最推荐的缺失值处理技术，能通过SPSS 的“多重插补”模块高效实现：

　　1.数据准备与插补设定

　　在SPSS 菜单选择“分析-多重插补-分析模式”，首先识别缺失模式。建议勾选“显示个案缺失模式”以可视化缺失分布。对于中介模型中的分类变量（如性别），需在“变量”选项卡中明确指定测量尺度。

　　2.插补模型参数配置

　　进入“创建插补数据”对话框后，需设置关键参数：

　　插补次数：通常设为20-50次，SPSS 允许同时生成多达100个插补数据集

　　链式方程（FCS）：对于混合类型变量（连续+分类），选择“完全条件规范”方法

　　迭代次数：默认10次，若变量间相关性高可增至50次

　　3.中介效应分析与结果合并

　　完成插补后，使用“分析-回归-过程”分别对每个插补数据集进行中介检验（如PROCESS宏），最后通过“分析-多重插补-合并结果”整合效应量估计值。需特别关注：

　　中介效应的置信区间是否跨越零点

　　直接效应与间接效应的比例变化

　　R²值的插补间变异程度

　　三、SPSS 链式方程多重插补的进阶应用

　　在复杂中介模型中，常规多重插补可能忽略变量间的交互效应。此时需启用SPSS 的链式方程多重插补（Fully Conditional Specification,FCS），其核心优势在于：

　　1.非线性关系建模

　　通过SPSS 语法编辑器调用`MULTIPLE IMPUTATION`命令，可自定义插补模型。例如：

　　此代码对收入变量进行对数转换后插补，更符合右偏分布特征。

　　2.时间序列数据插补

　　针对纵向研究中的中介变量缺失（如跟踪调查中的情绪状态），可在“模型”选项卡激活“时间序列结构”选项，设置ARIMA模型参数以捕捉时间依赖性。

　　3.敏感性分析实现

　　通过SPSS 的“模式混合模型”功能，可评估不同缺失机制（MCAR/MAR/MNAR）对中介效应的影响。建议比较：

　　完全观测数据分析结果

　　随机缺失插补结果

　　非随机缺失修正结果

　　SPSS 在中介效应缺失值处理中的全流程解决方案。从基础的列表删除到进阶的链式方程插补，研究者需根据数据缺失机制、变量类型及研究目标选择适配方案。实际操作中建议遵循“诊断-插补-验证”的闭环流程：首先通过SPSS 的“缺失值分析”模块评估缺失模式，再采用多重插补生成完整数据集，最终通过效应量合并与敏感性分析确保结论稳健。随着SPSS 28版本新增贝叶斯插补功能，未来在处理高维中介变量缺失时将展现更强技术优势。