在社会科学、心理学、管理学等领域的实证研究中，平行中介模型因其能够分析多个中介变量在自变量和因变量之间的独立作用而备受青睐。然而，许多研究者在设计阶段都会面临一个关键难题：“我的研究需要多少样本量？” 这个问题的答案，并不取决于你的问卷发放能力，而很大程度上取决于一个核心的先验参数——效应量（Effect Size）。本文将深入探讨在确定平行中介样本量时，如何科学地选择与设定效应量指标。

一、 为何效应量是样本量计算的基石？

样本量计算本质是一种“功率分析”（Power Analysis）。其目标是确保你的研究有足够高的统计检验力（Statistical Power），即正确拒绝虚假原假设的概率（通常期望≥0.8）。计算过程遵循一个简单的逻辑：效应量越小，检测到该效应所需的样本量就越大；反之，效应量越大，所需样本量就越小。

这就好比要用显微镜寻找一个物体：

· 寻找一个篮球（大效应），一台普通显微镜和少量时间（小样本）就能找到。· 寻找一个细胞（小效应），你就需要一台高精度显微镜和大量的观察时间（大样本）。

如果你高估了效应量（误以为是个篮球），就会低估所需样本量，最终导致研究“功率不足”，即使效应真实存在，你也很可能无法发现它，造成徒劳无功。因此，效应量的合理设定是研究设计成败的关键第一步。

二、 核心指标：平行中介模型中的f²效应量

在多元线性回归的框架下（平行中介分析通常通过Process插件或结构方程模型实现，但其基础是回归），最常用、最合适的效应量指标是 Cohen's f²。

它衡量的是一组自变量（在平行中介中，这组变量可能就是你的多个中介变量）对因变量所做出的独特贡献的大小。其计算公式清晰地体现了这一点：

f² = (R²_included - R²_excluded) / (1 - R²_included)

· R²_included： 包含你所关注的那组预测变量（例如，两个中介变量M1和M2）的全模型的判定系数。· R²_excluded： 不包含你所关注的这组预测变量的简化模型的判定系数。

这个公式计算的是，在加入了M1和M2后，模型对因变量Y的解释力提升了多少。这个提升的幅度，就是你的效应量f²。

三、 如何设定f²的值？四种实践策略

这是最核心的操作性问题。你不能凭空猜测，以下是四种科学且逐步推荐的策略：

策略一：使用经验基准（最后的选择） 当你研究的领域完全空白，没有任何前人文献可参考时，可以暂时使用Cohen提出的经验值：

· 小效应： f² = 0.02· 中效应： f² = 0.15· 大效应： f² = 0.35

重要提示： 这些基准非常粗略，源于社会科学的宏观归纳。强烈不建议直接使用，尤其是直接使用“中效应”，因为这极可能高估了你的实际效应，从而导致样本量估算不足。它仅应作为万不得已的参考起点。

策略二：基于前人文献与元分析（推荐的首选方法） 这是最常用、最令人信服的方法。

• 检索文献： 在Google Scholar、Web of Science等平台搜索与你研究变量、理论模型高度相似的高质量已发表文献。
• 提取R²： 仔细阅读这些文献的结果部分，找到它们报告的整体模型R²（或调整后R²）。
• 反向估算f²： 利用公式进行估算。假设一篇文献报告其包含X、M1、M2的模型R² = 0.25。你可以估算其f² ≈ 0.25 / (1 - 0.25) = 0.33。这意味着该研究发现了大效应。为了保守起见，你可以选择一个略小的值（如0.20或0.25）作为你计算的依据。
  

策略三：进行预研究（Pilot Study）（最科学的方法） 如果时间和资源允许，收集一个小样本数据（N=50~100），运行你计划中的分析模型。

• 计算出你的平行中介模型的R²。
• 利用这个初步的R²来估算你的f²效应量。
• 基于这个来自你自身数据的、相对准确的效应量去计算正式研究所需的完整样本量。 这种方法能最大程度地贴合你的实际研究情况。
  

策略四：保守性策略与敏感性分析 如果你对效应量的估计非常不确定，应采用保守策略：即使用一个更小的效应量值（例如f² = 0.05或0.10）进行计算。这样计算出的样本量会更大，但能确保即使你的真实效应很小，研究也有足够的检验力把它检测出来。 你还可以进行敏感性分析（Sensitivity Analysis）：报告在“小、中、大”不同效应量假设下所需的样本量范围，让读者清楚地了解你样本量的决策过程及其稳健性。

四、 在G*Power软件中的实操指南

• Test family: F tests
• Statistical test: Linear multiple regression: Fixed model, R² deviation from zero
• Parameters:· Effect size f²: 输入你通过上述策略确定好的数值（如0.10）。· α error prob: 设为0.05。· Power (1 – β error prob): 设为0.80或0.90。· Number of predictors: 输入你的模型中所有预测变量的总数（例如：自变量X + 中介变量M1 + 中介变量M2 + 控制变量C = 4）。