温馨提示: 定期 清理浏览器缓存,可以获得最佳浏览体验。
New!
lianxh
命令发布了:
随时搜索推文、Stata 资源。安装命令如下:
. ssc install lianxh
详情参见帮助文件 (有惊喜):
. help lianxh
⛳ Stata 系列推文:
作者: 曹琳君 (南开大学)
邮箱: jilyo@stu.xmu.edu.cn & 1072759894@qq.com
目录
中介分析是阐明 X 和 Y 如何关联的重要机制之一。在连享会以往的推文中,我们介绍了传统的中介效应分析方法(具体链接见相关推文部分),包括逐步检验回归系数法、系数乘积检验法和系数差异检验法。
然而,在使用传统的中介效应分析时,研究者也面临下列问题:
(1)如果没有对中介-结果混杂因素 (mediator-outcome confounders)进行控制,那么传统的中介方法产生的结果可能有很大的偏差 (Andrea Bellavia, 2021)。
(2)传统的中介分析没有包含
因此,能够解决上述问题的因果中介分析方法逐渐受到研究者的重视。
在下文中,作者主要向大家介绍一种可以同时分析中介效应 (M)和 交互效应 (X-M)的因果中介分析命令 med4way
。
对因果中介分析背景有更多兴趣的研究者也可以点击下方的参考链接。 参考链接:Mediation and interaction analysis
如下图所示,包含
在表中
med4way
命令是 Andrea Discacciati, Andrea Bellavia, Jane J Lee, Maitreyi Mazumdar & Linda Valeri (2018) 根据上述表格所编写的 Stata 新命令。
安装和数据下载有两种途径:
(1) 从作者的 github 主页下载:
. net install med4way, from("https://raw.githubusercontent.com/anddis/med4way/master/") replace
*-下载范例数据
. net get med4way, from("https://raw.githubusercontent.com/anddis/med4way/master/")
(2) 从连享会主页下载:
*-安装程序文件
. net install med4way , from(https://file.lianxh.cn/StataCMD/med4way)
*-下载附带数据
. net get med4way , from(https://file.lianxh.cn/StataCMD/med4way)
语法结构如下:
. help med4way
. med4way depavr varlist [if] [in],
a0(real) a1(real) m(real) yreg(string) mreg(string)
depvar
:被解释变量;varlist
:依次为暴露因素、中介变量 、多个混杂因素(可有可无,视情况而定);a0(real)
:real 表示暴露因素的参考维度 (the referent level of the exposure);假设暴露因素 a1(real)
:real 表示暴露因素的真实维度 (the actual level of the exposure);假设暴露因素 m(real)
:real 表示中介变量的维度 (the level of the mediator);yreg(string)
:string 表示为结果指定的回归模型形式 (the form of the regression model for the outcome);mreg(string)
:string 表示为中介指定的回归模型形式 (the form of the regression model for the mediator )。
下面我们用一个 med4way 命令的模拟数据集 med4way_example_1.dta 进行演示。 在该数据集中结果变量和中介变量都是二元变量。
. net get med4way , from(https://file.lianxh.cn/StataCMD/med4way)
. use med4way_example_1.dta
. med4way y_bin treat m_bin cvar1 cvar2 cvar3, ///
a0(0) a1(1) m(0) ///
yreg (logistic) mreg(logistic)
/* Notes:
y_bin:因变量
treat:暴露因素
m_bin:中介变量
cvar1:混杂因素1
cvar2: 混杂因素2
cvars:混杂因素3
*/
模型的运行结果如下:
Summary
Outcome (yvar): y_bin
Exposure (avar): treat
Mediator (mvar): m_bin
Covariates (cvars): cvar1 cvar2 cvar3
Model for the outcome (yreg): logistic
Model for the mediator (mreg): logistic
Referent exposure level (a0): 0
Actual exposure level (a1): 1
Mediator level for the decomposition (m): 0
Fixed values of the covariates (c): .577 .319 62.26
-> Model for the outcome
Iteration 0: log likelihood = -690.9676
Iteration 1: log likelihood = -589.56724
Iteration 2: log likelihood = -589.33454
Iteration 3: log likelihood = -589.33446
Iteration 4: log likelihood = -589.33446
Logistic regression Number of obs = 1,000
LR chi2(6) = 203.27
Prob > chi2 = 0.0000
Log likelihood = -589.33446 Pseudo R2 = 0.1471
----------------------------------------------------------------------------------
y_bin | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-----------------+----------------------------------------------------------------
treat | -.2944844 .289416 -1.02 0.309 -.8617292 .2727605
m_bin | 1.046198 .2400432 4.36 0.000 .5757223 1.516674
_treatXm_bin_000 | .9821457 .3321434 2.96 0.003 .3311566 1.633135
cvar1 | .1219094 .1451617 0.84 0.401 -.1626023 .4064212
cvar2 | .1908434 .158203 1.21 0.228 -.1192287 .5009155
cvar3 | .0451507 .0065279 6.92 0.000 .0323562 .0579451
_cons | -3.823604 .4667596 -8.19 0.000 -4.738436 -2.908772
----------------------------------------------------------------------------------
-> Model for the mediator
Iteration 0: log likelihood = -588.16878
Iteration 1: log likelihood = -555.60573
Iteration 2: log likelihood = -555.11944
Iteration 3: log likelihood = -555.11923
Iteration 4: log likelihood = -555.11923
Logistic regression Number of obs = 1,000
LR chi2(4) = 66.10
Prob > chi2 = 0.0000
Log likelihood = -555.11923 Pseudo R2 = 0.0562
------------------------------------------------------------------------------
m_bin | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
treat | .2400897 .1477509 1.62 0.104 -.0494968 .5296762
cvar1 | .3107653 .1491474 2.08 0.037 .0184418 .6030888
cvar2 | -.5623266 .154374 -3.64 0.000 -.8648942 -.259759
cvar3 | .0335621 .0065424 5.13 0.000 .0207393 .0463849
_cons | -1.188081 .4246957 -2.80 0.005 -2.02047 -.3556931
------------------------------------------------------------------------------
-> 4-way decomposition: delta method
------------------------------------------------------------------------------
| Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
tereri | .9330728 .2970645 3.14 0.002 .350837 1.515309
ereri_cde | -.1102571 .108841 -1.01 0.311 -.3235814 .1030673
ereri_intref | .9440357 .28698 3.29 0.001 .3815654 1.506506
ereri_intmed | .0620038 .0435735 1.42 0.155 -.0233986 .1474062
ereri_pie | .0372904 .0243739 1.53 0.126 -.0104815 .0850623
------------------------------------------------------------------------------
tereri=total excess relative risk; ereri_cde=excess relative risk due to controlled direct effect; ereri_intref=excess relative risk due to
reference interaction; ereri_intmed=excess relative risk due to mediated interaction; ereri_pie=excess relative risk due to pure indirect effect.
模型1是各因素对 因变量
关于 med4way
的基本介绍在这里就结束了,想要深入了解的学者也可以阅读下方的参考资料。由于地址限制,如果文中提供的下载方式无法奏效,大家可以直接访问如下码云仓库,手动下载相关命令和数据文件。方法为:点击【克隆/下载】,下载仓库的 zip 文件,解压后放置为 D:\med4way ,在 Stata 命令窗口执行 net install med4way, from(D:\med4way)
即可安装。
Note:产生如下推文列表的 Stata 命令为:
lianxh 中介
安装最新版lianxh
命令:
ssc install lianxh, replace
免费公开课
最新课程-直播课
专题 | 嘉宾 | 直播/回看视频 |
---|---|---|
⭐ 最新专题 | 文本分析、机器学习、效率专题、生存分析等 | |
研究设计 | 连玉君 | 我的特斯拉-实证研究设计,-幻灯片- |
面板模型 | 连玉君 | 动态面板模型,-幻灯片- |
面板模型 | 连玉君 | 直击面板数据模型 [免费公开课,2小时] |
⛳ 课程主页
⛳ 课程主页
关于我们
课程, 直播, 视频, 客服, 模型设定, 研究设计, stata, plus, 绘图, 编程, 面板, 论文重现, 可视化, RDD, DID, PSM, 合成控制法
等
连享会小程序:扫一扫,看推文,看视频……
扫码加入连享会微信群,提问交流更方便
✏ 连享会-常见问题解答:
✨ https://gitee.com/lianxh/Course/wikis
New!
lianxh
命令发布了:
随时搜索连享会推文、Stata 资源,安装命令如下:
. ssc install lianxh
使用详情参见帮助文件 (有惊喜):
. help lianxh