中介效应模型的三个模型
模型1：Y=cX+e1 c：总效应
模型2：M=aX+e2
模型3：Y=c’X+bM+e3 c'直接效应 a*b间接效应
上一节分享了中介效应的理论知识，但是在看了温忠麟老师的“中介效应分析：方法和模型发展”，这一节打算以此为依据，在不违反温忠麟老师的流程的前提下，总结出自己的一套中介效应检验流程和软件操作以及结果的解读
那么首先看如下图是温忠麟提出的新的中介效应检验流程图：
文中对此图的介绍如下：
(1)第一步, 检验(模型1：Y=cX+e1)的系数 c, 如果显著, 按中介效应立论, 否则按遮掩效应立论。但无论是否显著, 都进行后续检验。
(2)第二步, 依次检验方程(模型2：M=aX+e2)的系数 a 和(模型3：Y=c’X+bM+e3)的系数 b, 如果两个都显著, 则间接效应显著, 转到第四步; 如果至少有一个不显著, 进行第三步。
(3)第三步, 用 Bootstrap 法直接检验间接效应ab, H0 : ab = 0。如果显著, 则间接效应显著, 进行第四步; 否则间接效应不显著, 停止分析。
(4)第四步, 检验(模型3：Y=c’X+bM+e3)的系数 c, 如果不显著, 即直接效应不显著, 说明只有中介效应。如果显著, 即直接效应显著, 进行第五步。
(5)第五步, 比较 ab 和 c的符号, 如果同号, 属于部分中介效应, 报告中介效应占总效应的比例ab/c。如果异号, 属于遮掩效应, 报告间接效应与直接效应的比例的绝对值|ab/c|
实际上，温忠麟在文中总结，他提出的检验流程, 综合了依次检验法和 Bootstrap 法的优点, 推荐先尝试简单的依次检验 a 和 b, 如果不显著则用 Bootstrap 法直接检验系数乘积 ab 以提高检验力。用这个流程, 无论是考虑第一类错误率、检验力还是结果的解释性, 与单纯的 Bootstrap 法检验系数乘积相比, 只会更好不会更差。
那么，由于温忠麟老师这套流程其实是综合了遮掩效应，这个效应有兴趣的可以自己进一步研究，这里我想探讨中介效应，因此参考温忠麟老师这套流程的中介效应部分，作出了自己的流程图：
图3 中介模型自己的流程图
实际上，上面的流程图只是单独提取了温忠麟老师中介效应的部分，那么下面我来解释一下，这套流程图：
流程图有5步，但总结来看可以拆分为3大部分：1前提，检验间接效应，检验直接效应。
（1）1前提：即第一步检验系数c是否显著，显著继续进行，不显著终止分析。
（2）检验间接效应：分两种情况：
第一是： a和b均显著，那么直接说明存在间接效应
第二是： a和b至少有一个不显著，也就是a不显著或b不显著或a、b均不显著，那么需要采用Bootstrap法去进一步检验ab（ab即间接效应），若不显著，不存在间接效应，终止分析；若显著，存在间接效应。
（3）检验直接效应c，若不显著，则说明中介效应为完全中介效应；
若显著，则说明中介效应为部分中介效应；
那么，理论理清了，我们接着直接进行代码实现：
本次采用的数据集介绍：
变量 | 属于 |
treat：是否治疗； | X：2分类变量 |
job_seek：求职自我效能水平评分； | M：连续变量 |
depress2：治疗后抑郁症状得分 | Y：连续变量 |
depress1：治疗前抑郁症状得分 | |
sex：性别 | 分类变量 |
age：年龄 | 连续变量 |
occp：职业 | 分类变量 |
marital：婚姻 | 分类变量 |
nonwhite：种族 | 分类变量 |
educ：文化程度 | 分类变量 |
在这个研究中，X为treat，M为job_seek，Y为depress2
在代码实现中，我们需要进行4步
（1）建立模型1：Y=cX+e1
（2）建立模型2：M=aX+e2
（3）建立模型3：Y=c’X+bM+e3
（4）Bootstrap法检验,并计算出直接效应、间接效应、间接效应占比
R代码：
.libPaths()#查看R包位置.libPaths("D:/Program File/R/R-4.3.2/library")#定义包安装位置setwd("F:/01陕西省疾控/010心血管高危人群/result")#设置工作空间getwd()#加载工作空间install.packages("mediation")##加载R包#中介包library(mediation)#载入数据data<-jobs# treat：是否治疗； X：2分类变量# job_seek：求职自我效能水平评分； M：连续变量# depress2：治疗后抑郁症状得分 Y：连续变量data$X<-data$treat#定义自变量data$M<-data$job_seek#定义中介变量data$Y<-data$depress2#定义因变量#（1）建立模型1：Y=cX+e1model1<- lm(Y ~ X + sex + age+occp+marital+nonwhite+educ, data=data)#（2）建立模型2：M=aX+e2model2<- lm(M ~ X + sex + age+occp+marital+nonwhite+educ, data=data)#（3）建立模型3：Y=c’X+bM+e3model3<- lm(Y ~X + M + sex + age+occp+marital+nonwhite+educ, data=data)summary(model1)summary(model2)summary(model3)
上面其实就是逐步检验的结果：我们可以依次查看系数c、a、b的显著性来判断是否存在中介效应，再根据系数c’的显著性判断是完全中介还是部分中介
#中介效应分析
set.seed(1000)#设置随机种子result <-mediate(model2, model3, #填模型2和模型3treat="X", #自变量mediator="M", #中介变量sims=500, #重复抽样500次robustSE = T)summary(result) ### summary模型回归结果
#ACME :间接效应，即中介效应
#ADE ：直接效应
#Total Effect：总效应
#Prop. Mediated：中介效应占比
上述结果是Bootstraps的结果，我们也可以直接看这里的结果；
（1）看总效应c显著，才能进行下一步
（2）看间接效应是否显著；若间接效应显著，再进行下一步
（3）再看直接效应是否显著，直接效应显著，则为部分中介；直接不显著，则完全中介效应
plot(result1) ###绘制模型回归结果图
#敏感性分析
sens.out <- medsens(result,rho.by = 0.1,effect.type = "indirect",sims = 1000)summary(sens.out)
### Rho为灵敏度参数，Rho=0表示没有混杂效应
### Rho值越大表示混杂效应越强，此时对应的中介效应结果越可靠
### 上述结果给出了不同Rho下的中介效应的区间与拟合优度R^2
#敏感性分析可视化
par(mfrow = c(1,2))plot(sens.out, sens.par = "rho", main = "Sensitive analysis", ylim = c(-0.8, 0.8))plot(sens.out, sens.par = "R2", r.type = "total", sign.prod = "positive")
图1 Y轴表示中介效应值，X轴表示敏感度关于rho。
图一的总结是：rho的绝对值越高，中介效应越可靠
今天先分享到这里，这一期的中介变量和Y变量都是连续变量，下期分享以下三种情况，R如何构建中介模型：
中介变量 | 因变量 |
连续变量 | 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 | 生存时间/2分类变量 |
2分类变量 | 生存时间/2分类变量 |
所以留个疑问：中介变量如果是多分类怎么办呢？
