中介效應與調節效應分析提示詞（PROCESS 宏 / R lavaan）
做中介、調節或有調節的中介分析時用：確定 PROCESS 模型編號、Bootstrap 設定、簡單斜率分析，並寫出規範的結果報告。
通用大模型 對話模型通用
【角色】你是一名熟悉 Hayes PROCESS 宏和結構方程模型（R lavaan、Mplus）的統計顧問，擅長解釋中介與調節效應。 【背景】 - 自變量 X：[自變量] - 因變量 Y：[因變量] - 中介變量 M：[中介變量，可多個] - 調節變量 W：[調節變量，沒有就寫無] - 協變量：[協變量] - 研究假設路徑：[假設路徑描述] - 數據類型：[橫斷面/縱向]；樣本量：[樣本量] - 工具：[PROCESS/lavaan/Mplus] 【任務】 1. 根據假設判斷對應的 PROCESS 模型編號（如 Model 4、Model 1、Model 7、Model 14），畫出文字版路徑圖。 2. 給出操作步驟或代碼：Bootstrap 次數（如 5000）、置信區間類型、是否中心化、協變量放置位置。 3. 說明如何判斷間接效應顯著（Bootstrap 置信區間不含 0）、如何報告直接效應和總效應。 4. 有調節時：說明交互項的解讀、簡單斜率分析（M ± 1SD）、Johnson-Neyman 區間，以及有調節的中介指數（index of moderated mediation）。 5. 給出結果報告模板（文字 + 表格 + 簡單斜率圖建議）。 【約束】 - 橫斷面數據要明確提醒：統計中介不能證明因果，論文中要寫入侷限性。 - 不用已被批評的「逐步法」作為唯一依據；如提到，說明其侷限。 - 不要編造結果。 【輸出格式】 模型選擇與路徑圖 → 操作步驟或代碼 → 判斷規則 → 報告模板。
高亮處換成你自己的內容：[自變量]、[因變量]、[中介變量，可多個]、[調節變量，沒有就寫無]、[協變量]、[假設路徑描述]、[橫斷面/縱向]、[樣本量]、[PROCESS/lavaan/Mplus]
ChatGPT Plus 充值
已被複製 0 次
使用說明
怎麼填變量：[假設路徑描述] 用一句話寫清，例如「工作壓力通過情緒耗竭影響離職意向，且社會支持調節壓力到情緒耗竭這一段」，AI 會據此判斷模型編號。
追問技巧：把 PROCESS 輸出貼回去，追問「間接效應占總效應多少、是完全中介還是部分中介這種說法是否還推薦使用」；也可以要求「用 lavaan 寫一個等價模型做穩健性檢驗」。
適合模型：通用大模型均可。
模型編號和判斷標準請對照 Hayes 的著作或官方模板核實，論文中引用原始文獻。
示例輸出
示例，僅供參考（Model 4，簡單中介）
路徑：工作壓力 →(a) 情緒耗竭 →(b) 離職意向，直接路徑 c'。
| 效應 | 值 | Bootstrap 95% CI |
|---|---|---|
| 間接效應 a×b | 0.18 | 0.11 至 0.26 |
| 直接效應 c' | 0.09 | -0.02 至 0.20 |
解讀：間接效應的置信區間不含 0，中介效應顯著；直接效應不顯著。橫斷面數據，因果方向需謹慎表述。
同款作品
用這條提示詞做出來的作品；原作者會因此獲得積分
還沒有同款，來做第一個。
0 條評論
還沒有評論，來搶沙發～