这种情况可能是由于数据分布或抽样过程中的非正态性导致的。传统的p值计算通常基于某些统计假设（如正态分布），而bootstrap方法则通过重采样的方式来估计参数的分布，它对这些假设的要求较弱。
当样本量较小或者数据分布严重偏离正态时，传统的p值可能无法准确反映真实的效应大小和显著性。在你的情况中，尽管p值显示组间间接效应不显著（p=0.076），但bootstrap置信区间却表明该效应具有一定的可信度（95%CI: [0.01, 0.14] 不包含0）。
这种差异可能是因为bootstrap方法通过模拟重采样过程，能够更好地捕捉数据的复杂性以及参数估计的不确定性。因此，在面对非正态分布或小样本量时，使用bootstrap置信区间可能会提供更可靠的显著性判断依据。
解决这一矛盾的方法之一是增加样本量，以减少抽样误差对统计结果的影响；另一个方法是在分析中考虑采用更适合数据特性的统计模型和检验方法。如果条件允许，还可以尝试其他稳健的非参数或半参数技术来确认结果的一致性和可靠性。
此文本由CAIE学术大模型生成，添加下方二维码，优先体验功能试用
扫码加好友，拉您进群
全部版块
我的主页
收藏
