高维多元中介分析：另外8种方法

探路者Myra

已于 2024-03-10 10:16:24 修改

阅读量690

点赞数 9

分类专栏：大数据数据分析：R语言文章标签：机器学习人工智能

于 2024-03-10 10:14:35 首次发布

本文链接：https://blog.csdn.net/weixin_52505631/article/details/136505860

版权

大数据数据分析：R语言专栏收录该内容

10 篇文章 ¥69.90 ¥99.00

订阅专栏

超级会员免费看

本文介绍了多种高维中介分析方法，包括HDMM、HILMA、HIMA、LVMA、MedFix、PLasso、PCMA和SPCMA。这些方法在处理高维数据中介效应时各有特点，如HDMM利用主中介方向，HIMA结合SIS和MCP筛选中介变量，LVMA采用潜在变量模型，MedFix和PLasso应用LASSO惩罚，PCMA和SPCMA则利用主成分分析来降低维度。文章提供了方法学介绍、实现方法和相关参考文献。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

三、具有主中介方向的高维多元中介分析（HDMM）

方法学介绍

具有主中介方向的高维多元中介分析

统计学介绍

用基于似然的方法来计算中介主方向 (“principal directions of mediation” ，PDM)，它是加载权重，用于线性组合输入的中介以形成单个潜在变量，以替换分析中的原始中介。虽然 HDMM 不能用于估计全局中介效应或特定中介的贡献，但它仍然可以用于推断是否存在通过作为联合系统的中介集合发生的中介。

实现方法

安包准备

# github上面install :oliverychen/PDM
devtools::install_github("oliverychen/PDM")
library(PDM)
library(hdmed)

数据准备

A <- as.numeric(scale(med_dat$A)) # 自变量
M <- scale(med_dat$M[,1:8])  # 中介变量
Y <- as.numeric(scale(med_dat$Y)) # 因变量

length(A)
# [1] 100

dim(M)
# [1] 100   8

length(Y)
# [1] 100