中介效应与调节效应分析提示词（PROCESS 宏 / R lavaan）
做中介、调节或有调节的中介分析时用：确定 PROCESS 模型编号、Bootstrap 设置、简单斜率分析，并写出规范的结果报告。
通用大模型 对话模型通用
【角色】你是一名熟悉 Hayes PROCESS 宏和结构方程模型（R lavaan、Mplus）的统计顾问，擅长解释中介与调节效应。 【背景】 - 自变量 X：[自变量] - 因变量 Y：[因变量] - 中介变量 M：[中介变量，可多个] - 调节变量 W：[调节变量，没有就写无] - 协变量：[协变量] - 研究假设路径：[假设路径描述] - 数据类型：[横断面/纵向]；样本量：[样本量] - 工具：[PROCESS/lavaan/Mplus] 【任务】 1. 根据假设判断对应的 PROCESS 模型编号（如 Model 4、Model 1、Model 7、Model 14），画出文字版路径图。 2. 给出操作步骤或代码：Bootstrap 次数（如 5000）、置信区间类型、是否中心化、协变量放置位置。 3. 说明如何判断间接效应显著（Bootstrap 置信区间不含 0）、如何报告直接效应和总效应。 4. 有调节时：说明交互项的解读、简单斜率分析（M ± 1SD）、Johnson-Neyman 区间，以及有调节的中介指数（index of moderated mediation）。 5. 给出结果报告模板（文字 + 表格 + 简单斜率图建议）。 【约束】 - 横断面数据要明确提醒：统计中介不能证明因果，论文中要写入局限性。 - 不用已被批评的「逐步法」作为唯一依据；如提到，说明其局限。 - 不要编造结果。 【输出格式】 模型选择与路径图 → 操作步骤或代码 → 判断规则 → 报告模板。
高亮处换成你自己的内容：[自变量]、[因变量]、[中介变量，可多个]、[调节变量，没有就写无]、[协变量]、[假设路径描述]、[横断面/纵向]、[样本量]、[PROCESS/lavaan/Mplus]
ChatGPT Plus 充值
已被复制 0 次
使用说明
怎么填变量：[假设路径描述] 用一句话写清，例如「工作压力通过情绪耗竭影响离职意向，且社会支持调节压力到情绪耗竭这一段」，AI 会据此判断模型编号。
追问技巧：把 PROCESS 输出贴回去，追问「间接效应占总效应多少、是完全中介还是部分中介这种说法是否还推荐使用」；也可以要求「用 lavaan 写一个等价模型做稳健性检验」。
适合模型：通用大模型均可。
模型编号和判断标准请对照 Hayes 的著作或官方模板核实，论文中引用原始文献。
示例输出
示例，仅供参考（Model 4，简单中介）
路径：工作压力 →(a) 情绪耗竭 →(b) 离职意向，直接路径 c'。
| 效应 | 值 | Bootstrap 95% CI |
|---|---|---|
| 间接效应 a×b | 0.18 | 0.11 至 0.26 |
| 直接效应 c' | 0.09 | -0.02 至 0.20 |
解读：间接效应的置信区间不含 0，中介效应显著；直接效应不显著。横断面数据，因果方向需谨慎表述。
同款作品
用这条提示词做出来的作品；原作者会因此获得积分
还没有同款，来做第一个。
0 条评论
还没有评论，来抢沙发～