R语言基于mediation包行中介效应分析

天桥下的卖艺者

已于 2022-07-13 09:15:16 修改

阅读量3.9w

点赞数 29

分类专栏： R语言文章标签： r语言开发语言数据挖掘

于 2021-12-27 09:33:50 首次发布

本文链接：https://blog.csdn.net/dege857/article/details/122165051

版权

R语言专栏收录该内容

327 篇文章

订阅专栏

本文介绍了如何利用R语言中的mediation包进行中介效应分析，以研究治疗如何通过焦虑状态影响移民行为。首先建立了焦虑与治疗的方程，然后构建了结局变量与中介变量及自变量的关系方程。通过mediate函数进行分析，结果显示主要通过中介效应影响结局，直接效应不显著。进一步的敏感性分析验证了中介效应的可靠性。文章提供了详细的代码示例和结果解读。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

中介变量(mediator) 是一个重要的统计概念，如果自变量 X 通过某一变量 M 对因变量 Y 产生一定影响，则称 M 为 X 和 Y 的中介变量。我们既往已经介绍了SPSS行中介效应分析，今天继续介绍R语言基于mediation包行中介效应分析。
在这里插入图片描述
我们先导入数据和R包

library(mediation)
bc<-read.csv("E:/r/test/yimin.csv",sep=',',header=TRUE)

在这里插入图片描述

我们先来看看数据，这是一个关于移民的数据（公众号回复：移民数据，可以获得数据），数据很多，我们来看看我们关心的几个数据。
Emo：焦虑状态，通过量表来评分，treat:治疗，分为有治疗和未治疗，age:年龄，educ:教育程度，gender:性别，income:收入，cong_mesg:发送移民信息，二分类变量，也是结局变量
假设我们想知道，我们可以不可以通过治疗来改变患者的焦虑状态，从而改变患者移民这一举动。
先建立焦虑和治疗的方程，因为焦虑指标为连续的，这里使用lm连接

med.fit <- lm(emo ~ treat + age + educ + gender + income, data = bc)

然后建立结局变量，中介变量和自变量关系方程

out.fit <- glm(cong_mesg ~ emo + treat + age + educ + gender + income,
               data = bc, family = binomial("probit"))

行中介效应分析，treat填自变量，mediator填中介变量，robustSE为显示可信区间，sims为重复100次，也可以自己调整

med.out <- mediate(med.fit, out.fit, treat = "treat", mediator = "emo",
                   robustSE = TRUE, sims = 100)###treat填自变量，mediator填中介变量

解析结果

summary(med.out)

在这里插入图片描述
我们可以看到总效应等于中介效应+直接效应。直接效应P值大于0.05，表明直接效应影响不大，自变量主要是通过中介效应影响结局，也就是移民。
进一步绘图

plot(med.out)

在这里插入图片描述
由上图也可以看出，ADE的影响很小，主要是通过ACME来影响。
接下来我们进一步做敏感性分析

sens.out <- medsens(med.out, rho.by = 0.1, effect.type = "indirect", sims = 100)
summary(sens.out)

在这里插入图片描述
上图标出了rho，可信区间和R方，

par(mfrow = c(1,2))
plot(sens.out, sens.par = "rho", main = "Anxiety", ylim = c(-0.2, 0.2))

在这里插入图片描述
Y表示中介效应值，X表示敏感度关于rho。虚线表示rho=0的时候，就是没有混杂效应的时候。红线表示混杂效应导致中介效应消失时rho的值（有点拗口，自己体会一下），因此得出rho的绝对值越高，中介效应越可靠。
我们还可以做出R方的图，R方的解释与其他模型R方的解释是一样的。

plot(sens.out, sens.par = "R2", r.type = "total", sign.prod = "positive")

在这里插入图片描述
总的来说mediation包行中介效应分析挺简单的。
参考文献：

Imai, Kosuke, Luke Keele and Dustin Tingley (2010) A General Approach to Causal Mediation Analysis, Psychological Methods 15(4) pp. 309-334.

Imai, Kosuke, Luke Keele and Teppei Yamamoto (2010) Identification, Inference, and Sensitivity Analysis for Causal Mediation Effects, Statistical Sciences, 25(1) pp. 51-71.

Imai, Kosuke, Luke Keele, Dustin Tingley, and Teppei Yamamoto. (2009) “Causal Mediation Analysis Using R” in Advances in Social Science Research Using R, ed. H. D. Vinod New York: Springer.
Forthcoming.

在这里插入图片描述