中介变量和因变量为分类变量的中介模型R实现
中介变量 | 因变量 |
2分类变量 | 2分类变量 |
连续变量 | 2分类变量 |
2分类变量 | 连续变量 |
连续变量 | 生存时间/2分类变量 |
2分类变量 | 生存时间/2分类变量 |
接着上一期的分享，这一期分享一下中介变量和因变量不同类型时候拟合中介模型：
所有的自变量都是连续变量：
1.中介变量和因变量都是2分类：
##加载R包
#中介包
library(mediation)
#载入数据
data <- read.csv("C:/Users/12974/Desktop/百度经验/03R语言图形绘制/01R绘制限制性立方样条图/cc1.csv", as.is = TRUE, header = TRUE, sep = ",", fileEncoding='utf-8')
#自变量：wenhua，连续变量
#中介 ：bmi，二分类变量
#因变量：心血管，二分类变量
特别注意：中介变量必须变为1/0的数值变量，并且不能转为因子，不然后续一直会出现下面这个错误：
# 生成二分类新变量data$bmi1 <- ifelse(data$bmi > 24, 1, 0)# complete.cases函数可以用来删除特定变量缺失的行#data <- data[complete.cases(data$wenhua, data$bmi, data$心血管), ]# 运行模型：这里注意两个模型都用glm拟合#自变量和中介变量的logistic模型med.fit <- glm(bmi1 ~ wenhua, data = data, family = binomial())#自变量、中介变量和因变量的logistic模型out.fit <- glm(心血管 ~ bmi1+wenhua, data = data, family = binomial())# 执行中介效应分析set.seed(1000)#设置随机种子med.out <- mediate(med.fit, out.fit,treat = "wenhua", #自变量mediator = "bmi1",#中介变量robustSE = TRUE,sims = 10)#重复抽样10次summary(med.out)
其他几行我的理解是中介变量bmi取0和1时分别的直接效应、间接效应、中介效应占比；所以有6行。
论文里面大家写出我画的这几行就行了，那么有的孩子还想得到OR值，这个自己算就行了
比如总效应：-0.01315（95%CI：-0.021793，-0.01）
相应的OR值为：exp(-0.01315) 95%CI：exp(-0.021793),exp(-0.01)
2.中介变量连续变量，因变量2分类变量
#自变量：bmi，连续变量
#中介 ：wenhua，连续变量
#因变量：心血管，二分类变量
#bmi变为四分类的连续变量data$bmi1 <- NA # 先为age1变量创建一个空的向量data <- within(data, {bmi1[bmi < 18.5] = 1bmi1[bmi >= 18.5 & bmi < 24] = 2bmi1[bmi >= 24 & bmi < 28] = 3bmi1[bmi >= 28] = 4})# 运行模型med.fit <- glm(wenhua~ bmi1, data = data)# 设定参照data$心血管<-as.factor(data$心血管)data$心血管 <- relevel(data$心血管, ref = "0")out.fit <- glm(心血管 ~ bmi1+wenhua, data = data, family = binomial())# 执行中介效应分析set.seed(1000)#设置随机种子med.out <- mediate(med.fit, out.fit,treat = "bmi1",mediator = "wenhua",robustSE = TRUE,sims = 10)summary(med.out)
这个时候中介变量明明是连续变量，但结果还是和第一种情况一样的，所以
ACME (control) 、ACME (treated) 、ADE (control) 、ADE (treated) 、
Prop. Mediated (control) 、Prop. Mediated (treated) 里面的control和treated大有可能说的因变量的两个取值。
有大神的话，这里给解释一下？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？
3.中介变量2分类变量，因变量连续变量
#自变量：wenhua，连续变量
#中介 ：心血管，二分类变量
#因变量：bmi，连续变量
#bmi变为四分类的连续变量data$bmi1 <- NA # 先为age1变量创建一个空的向量data <- within(data, {bmi1[bmi < 18.5] = 1bmi1[bmi >= 18.5 & bmi < 24] = 2bmi1[bmi >= 24 & bmi < 28] = 3bmi1[bmi >= 28] = 4})#中介变量变为1/0数值变量data$心血管<-as.numeric(data$心血管)#判断变量是否为1data$心血管 <- as.integer(data$心血管 == 1)# 运行模型med.fit <- glm(心血管 ~ wenhua, data = data, family = binomial())out.fit <- glm( bmi1~ 心血管+wenhua, data = data)# 执行中介效应分析set.seed(1000)#设置随机种子med.out <- mediate(med.fit, out.fit,treat = "wenhua",mediator = "心血管",robustSE = TRUE,sims = 10)summary(med.out)
果然，这次因变量为连续变量，所以结果没有了ACME (control) 、ACME (treated) 、ADE (control) 、ADE (treated) 、Prop. Mediated (control) 、Prop. Mediated (treated)；因此我猜测这些就是结果变量为二分类时，因变量不同取值的直接效应，间接效应，中介效应占比。
下期分享因变量为生存数据的中介效应如何实现，这期就到这里吧。。。。
