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:linjuncao@yeah.net
编者按:本文主要摘译自下文,特此致谢!
Source:Valente M J, Rijnhart J J M, Smyth H L, et al. Causal Mediation Programs in R, M plus, SAS, SPSS, and Stata[J]. Structural Equation Modeling: A Multidisciplinary Journal, 2020, 27(6): 975-984. -Link-
目录
中介分析是一种用于理解自变量
本文在 Valente 等 (2020) 的基础上,分析了因果中介的理论背景、比较了五种软件在处理因果中介机制时的异同,并给出详细的建议供研究者选择。
基于潜在结果框架和更普遍的反事实框架的因果中介分析 (Holland, 1986;Rubin,1974) 提供了在随机实验和非随机研究中确定因果效应的一般定义和假设。这些因果关系定义和假设的公认优点之一是,它们不基于任何特定的估计方法,因此是非参数的。它们可以应用于任何中介模型,包括具有连续和分类变量的模型,以及具有干预-中介 (
因果效应的定义基于的假设是,每个独立的个体对于干预的每个维度都有潜在的结果值 (Holland,1986;Rubin,1974)。例如,假设干预
然而,观察到每个个体在两个维度的结果是不可能的。也就是说,对于被分配到等级
当因果效应被运用到中介模型时,
中介效应也可以保持一个固定的观测值。如果该个体在对照组中,即
因果直接效应、间接效应和总效应被定义为两种潜在结果之间的差异。一共有 6 种因果效应,具体如下:
不同软件包在因果中介分析中的特征如图 1.1 和图 1.2 所示,图片引用自原文。
结合不同软件包的具体使用情况,本文给出进行因果中介分析的软件选择建议,如图 2 所示。
接下来,我们将用 Stata 自带数据「nlsw88」演示使用 medeff
命令进行因果中介分析的方法。
首先,安装命令及调入数据。
.*下载程序文件
. net install st0243_1.pkg, from(http://www.stata-journal.com/software/sj12-2/) replace
.*下载作者范例 do 文档
. net get st0243_1.pkg, from(http://www.stata-journal.com/software/sj12-2/) replace
.*或者手动安装
. search medeff
. sysuse nlsw88.dta, clear
(NLSW, 1988 extract)
. *根据命令运行需要,我们将数据随机分成实验组和控制组,并假设数据满足因果中介分析的分组条件。
. generate T = round(runiform(),1)
在该数据集中,解释变量为 married,即婚姻状态 (1=已婚,0=未婚);中介变量为 age,即年龄;被解释变量为 wage,即工资;分组变量为 T (1=实验组,0=控制组)。
. des
Contains data from D:\Programs\stata16\ado\base/n/nlsw88.dta
obs: 2,246 NLSW, 1988 extract
vars: 18 1 May 2018 22:52
(_dta has notes)
--------------------------------------------------------------------------------------------------
storage display value
variable name type format label variable label
--------------------------------------------------------------------------------------------------
idcode int %8.0g NLS id
age byte %8.0g age in current year
race byte %8.0g racelbl race
married byte %8.0g marlbl married
never_married byte %8.0g never married
grade byte %8.0g current grade completed
collgrad byte %16.0g gradlbl college graduate
south byte %8.0g lives in south
smsa byte %9.0g smsalbl lives in SMSA
c_city byte %8.0g lives in central city
industry byte %23.0g indlbl industry
occupation byte %22.0g occlbl occupation
union byte %8.0g unionlbl union worker
wage float %9.0g hourly wage
hours byte %8.0g usual hours worked
ttl_exp float %9.0g total work experience
tenure float %9.0g job tenure (years)
T float %9.0g
--------------------------------------------------------------------------------------------------
Sorted by: idcode
Note: Dataset has changed since last saved.
其次,运行 medeff
命令,具体命令格式如下:
. medeff (regress age T married) (regress wage T age married ), ///
> treat(T) mediate(age) sims(1000)
Using 0 and 1 as treatment values
Source | SS df MS Number of obs = 2,246
---------+---------------------------------- F(2, 2243) = 0.31
Model | 5.82773057 2 2.91386529 Prob > F = 0.7327
Residual | 21015.4848 2,243 9.36936461 R-squared = 0.0003
---------+---------------------------------- Adj R-squared = -0.0006
Total | 21021.3126 2,245 9.36361361 Root MSE = 3.0609
--------------------------------------------------------------------------
age | Coef. Std. Err. t P>|t| [95% Conf. Interval]
---------+----------------------------------------------------------------
T | -.0272285 .1293771 -0.21 0.833 -.2809399 .2264828
married | -.1015552 .1347852 -0.75 0.451 -.365872 .1627616
_cons | 39.23133 .1230492 318.83 0.000 38.99003 39.47264
--------------------------------------------------------------------------
Source | SS df MS Number of obs = 2,246
---------+---------------------------------- F(3, 2242) = 2.26
Model | 224.409397 3 74.8031322 Prob > F = 0.0794
Residual | 74143.558 2,242 33.0702756 R-squared = 0.0030
---------+---------------------------------- Adj R-squared = 0.0017
Total | 74367.9674 2,245 33.1260434 Root MSE = 5.7507
--------------------------------------------------------------------------
wage | Coef. Std. Err. t P>|t| [95% Conf. Interval]
---------+----------------------------------------------------------------
T | .0207734 .2430667 0.09 0.932 -.4558859 .4974328
age | -.0692555 .0396688 -1.75 0.081 -.1470469 .008536
married | -.4965241 .2532568 -1.96 0.050 -.9931663 .0001182
_cons | 10.78741 1.573337 6.86 0.000 7.702057 13.87276
--------------------------------------------------------------------------
--------------------------------------------------------------------------
Effect | Mean [95% Conf. Interval]
-------------------------------+------------------------------------------
ACME | .0017282 -.0202188 .0232875
Direct Effect | .0315363 -.4083132 .4908015
Total Effect | .0332645 -.4082737 .4941851
% of Tot Eff mediated | .0040861 -.1086679 .1275682
-------------------------------------------------------------------------
结果表明,婚姻对工资的平均直接效应为 0.0315363,年龄的平均中介效应为 0.0017282,婚姻对工资的总效应为 0.0332645。
相比于传统的中介分析,因果中介分析可以处理一些更复杂的情况,比如
Note:产生如下推文列表的 Stata 命令为:
lianxh 中介 调节, m
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