基于stata的medsens包进行中介效应分析

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和R语言行中介效应分析，今天继续介绍stata中介效应分析，大家都在介绍sgmediation包，我就不说了。Imai, Kosuke, Luke Keele and Dustin Tingley (2010)的文章指出，做中介效应还应进行敏感性分析。 mediation包相比sgmediation包的优势是能进行敏感性分析，和R语言mediation包是同一作者，而且mediation包已经登上了stata官方期刊，可靠性绝对没有问题。

OK，废话不多说，马上开始。我们先来安装这个包
点击帮助—搜索

点击网络搜索—medeff

安装st0243就可以了

安装好后我们就开始正式分析了。我们继续使用我们的移民数据（公众号回复：移民数据，可以获得数据），我们先导入数据，我直接复制黏贴

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。这样的话，焦虑状态emo就是中介变量，cong_mesg:发送移民信息为结局变量，我们先来看看stata做中介效应的格式

我来好好解释一下，medeff是这个包的中介效应的函数名，(regress M T x) 和 (regress Y T M x),等于要建立两个回归方程，第一个是中介变量和原因变量的，第二个是结局变量和中介变量的。这里M表示中介变量，T表示因变量，X表示调整变量，Y表示结局变量，regress用于线性回归，sims为指定贝叶斯运行的模拟次数，seed为设定一个种子，让结果有可重复性。
我们这里的中介变量emo是连续变量，所以第一个回归方程使用regress，第二个我们的结局是二分类变量，所以使用logit。

medeff (regress emo treat age ) (logit  cong_mesg treat emo age ) , treat( treat) mediate( emo ) sims(1000)

很简单，结果就出来啦，我们可以看到总效应等于中介效应+直接效应。直接效应的可信区间包含0了，说明P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

medsens (regress emo treat age ) (logit  cong_mesg treat emo age ) , eps(.01) med( emo ) treat( treat ) sims(1000) level(95) graph

上图标出了rho，可信区间和R方，这里rho等于0.5

Y表示中介效应值，X表示敏感度关于rho。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。
如果你想修改图片的细节，如颜色，区间，标题等

twoway rarea _med_updelta0 _med_lodelta0 _med_rho, bcolor(gs14) || line _med_delta0 _med_rho , lcolor(black) ,ylabel(-0.2(.1)0.2) ytitle("Average mediation effect") xtitle("Sensitivity parameter: p") legend(off) title("ACME(p)")

总的来说stata的mediation包行中介效应分析挺简单的。

参考文献：

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

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

3. 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.