MicrobiomeStatPlot | 因果中介分析Causal mediation analysis

刘永鑫Adam

于 2024-10-13 07:03:37 发布

阅读量2.1k

点赞数 27

文章标签：机器学习人工智能算法数据挖掘

本文链接：https://blog.csdn.net/woodcorpse/article/details/142907772

版权

因果中介分析简介

1.传统中介分析模型的局限传统中介分析模型是基于系数乘积法或系数差值法来估计间接效应。传统中介分析假设线性回归模型的残差是呈正态分布的，且模型中的自变量满足方差齐性，观测样本间相互独立，并且假设估计的效应没有效应修正因子或混淆因素的干扰。其中效应修正因子的干扰可以考虑通过在模型中包括交互项，随后估计效应修正因子取不同值时的直接或间接效应来解释。传统中介分析模型不适用于离散中介变量或者结果变量。当使用传统中介分析来估计具有非联系中介变量或结果变量的中介模型的效应时，就会出现歧义。此外，尽管在传统中介分析的文献中建议评估exposure-mediator交互作用，但没有给出具体暴漏-中介交互作用的中介模型的效应估计和解释的指导。

2.因果中介分析 因果中介分析可以在暴露-中介交互作用存在时，基于潜在结果框架，将总暴露效应分解为因果直接影响和间接影响。因果效应定义的一个优势是它是非参数的，因此可以应用于任何类型的中介模型以得出因果效应估计，包括具有暴露-中介交互作用和具有非连续中介变量或非连续结果变量的模型等。反事实和潜在结果模型：理想情况下，在一项完美的因果推理的实验中，同一参与者应该同时参与治疗组和对照组，并在每种条件下对因变量进行评估。那么显而易见这是不可能发生的。因果效应定义是基于这样一个假设：即每个单独的被试对于每个治疗水平都有一个潜在的结果值。

中介分析或者中介效应分析经常被用于探索因果关系。中介效应是指某个变量在另外两个之间扮演了中间人的角色。这里变量可以是测量变量或者模型，如果是测量变量，该模型是个路径分析模型；如果是模型，则是结构方程模型。

在考虑mediantion分析时，一些重要的考虑因素包括：1.mediator必须是内生的，这意味着mediator不能是治疗或研究条件。mediator本身必须依赖外生变量，而外生变量往往是实验研究中的治疗或研究条件。2.mediator必须对自变量如何影响因变量有更深入的了解。mediator揭示了一些关于过程的东西。因此，mediator帮助我们找到自变量是如何影响因变量的。通过运行中介分析，我们是测试关于自变量是如何影响因变量的过程的假设。

标签：#微生物组数据分析 #MicrobiomeStatPlot #因果中介分析 #R语言可视化 #Causal mediation analysis

作者：First draft(初稿)：Defeng Bai(白德凤)；Proofreading(校对)：Ma Chuang(马闯) and Jiani Xun(荀佳妮)；Text tutorial(文字教程)：Defeng Bai(白德凤)

源代码及测试数据链接：

https://github.com/YongxinLiu/MicrobiomeStatPlot/项目中目录 3.Visualization_and_interpretation/CausalMediationAnalysis

或公众号后台回复“MicrobiomeStatPlot”领取

因果中介分析案例

这是Jakob Stokholm课题组2023年发表于Nature Medicine上的文章，第一作者为Cristina Leal Rodríguez，题目为：The infant gut virome is associated with preschool asthma risk independently of bacteria. https://doi.org/10.1038/s41591-023-02685-x.