R语言实现中介分析(1)

中介分析,也称为介导分析,是统计学中的一种方法,它用于评估一个或多个中介变量(也称为中间变量)在自变量和因变量之间关系中所起的作用。换句话说,中介分析用于探索自变量如何通过中介变量影响因变量的机制。

虽然中介效应的存在可能意味着某种因果关系机制,但它并不能直接证明因果关系。因此,在解释中介分析结果时,需要考虑其他可能的解释和变量之间的关系。

#Mediatoion analysis
#install.packages("mediation")
help(package="mediation")
library(mediation)
data(jobs)
#线性结果和中介模型
b <- lm(job_seek ~ treat + econ_hard + sex + age, data=jobs)#这个模型用treat(治疗或干预变量)、econ_hard(经济困难)、sex(性别)和age(年龄)来预测job_seek(求职)。
c <- lm(depress2 ~ treat + job_seek + econ_hard + sex + age, data=jobs)#这个模型用相同的变量treat、econ_hard、sex和age,以及job_seek(现在作为中介变量)来预测depress2(抑郁程度)。
# Estimation via quasi-Bayesian approximation
contcont <- mediate(b, c, sims=50, treat="treat", mediator="job_seek")#这个模型用相同的变量treat、econ_hard、sex和age,以及job_seek(现在作为中介变量)来预测depress2(抑郁程度)。
summary(contcont)#查看中介分析的结果摘要。这个摘要通常包括中介效应的估计值、标准误、置信区间,以及直接效应和间接效应(通过中介变量的效应)的估计。
plot(contcont)#绘制中介分析的结果图
#ACME (Average Causal Mediation Effect): 这是中介变量(在这里是job_seek)的平均因果中介效应,表示处理变量(treat)通过中介变量对结果变量(depress2)的间接影响。
#ADE (Average Direct Effect): 这是处理变量对结果变量的直接效应,即在控制中介变量后的效应。
#Total Effect: 这是处理变量对结果变量的总效应,即直接效应和间接效应之和。

 

这个因果中介分析的结果提供了关于中介变量效应的一些重要估计和置信区间。以下是对结果的解读:

ACME (Average Causal Mediation Effect):
估计值(Estimate)为 -0.0167,这意味着中介变量(可能是求职行为job_seek)平均而言在处理变量(treat)和结果变量(抑郁程度depress2)之间产生了负的间接效应。换句话说,处理通过中介变量减少了抑郁程度,但这一效应相对较小。

95%置信区间(95% CI Lower 和 95% CI Upper)为 [-0.0360, 0.00],这意味着我们不能排除ACME为零的可能性,因为零包含在这个区间内。

p-值为0.20,说明ACME的估计值在统计上并不显著,即我们不能有充足的证据认为中介变量产生了显著的间接效应。

ADE (Average Direct Effect):
估计值为 -0.0424,表示处理变量对结果变量的直接效应(即控制中介变量后的效应)是负的,但同样相对较小。

95%置信区间为 [-0.1042, 0.03],这个区间包括零,因此直接效应在统计上并不显著。

p-值为0.40,进一步支持了直接效应不显著的观点。

Total Effect:
估计值为 -0.0591,表示处理变量对结果变量的总效应是负的。

95%置信区间为 [-0.1294, 0.02],这个区间也包括零,因此总效应在统计上并不显著。

p-值为0.20,与ACME的p-值相同,进一步表明我们没有足够的证据认为总效应是显著的。

Prop. Mediated (Proportion Mediated):
这是中介效应占总效应的比例。估计值为 0.2152,意味着中介变量解释了约21.52%的总效应。但由于置信区间为 [-0.7867, 1.86],这个比例非常不确定,且包括负数,因此我们不能得出关于中介效应比例的具体结论。

p-值为0.24,表明这个比例在统计上并不显著。

Sample Size Used:
分析使用的样本大小为899,这是一个相对较大的样本,通常可以提供较为稳定的估计,但在这里由于效应本身可能较小或不存在,因此即使样本量相对较大,我们仍然不能得出显著的结论。

Simulations:
分析过程中使用了50次模拟来估计标准误和置信区间。模拟次数是一个相对较小的数字,但根据具体情境和计算资源,这可能是一个合理的选择。增加模拟次数可能会提供更准确的估计,但也会增加计算时间。

综上所述,这个因果中介分析的结果并没有提供足够的证据来支持中介变量(job_seek)在处理变量(treat)和结果变量(depress2)之间产生了显著的间接效应。同时,直接效应和总效应也都不显著。因此,我们不能基于这些结果得出关于中介效应存在或重要性的明确结论。

 

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/277394.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Uniapp有奖猜歌游戏系统源码,附带流量主

有奖猜歌游戏是一款基于uni-app、uniCloud、uniAD 开发的小游戏&#xff0c;通过猜歌曲、观看广告赚取现金奖励。 游戏基本特征 玩家可以通过猜歌、做任务等方式直接获取现金奖励 玩家可以通过猜歌、拆红包、做任务等方式获取金币奖励&#xff0c;当金币累积到一定数量可以兑…

以题为例浅谈文件包含

什么叫做文件包含 文件包含函数加载的参数没有经过过滤或严格定义&#xff0c;可以被用户控制&#xff0c; 包含其他恶意文件&#xff0c;导致了执行非预期代码。 文件包含漏洞&#xff08;File Inclusion Vulnerability&#xff09;是一种常见的网络安全漏洞&#xff0c;它允…

Django 解决新建表删除后无法重新创建等问题

Django 解决新建表删除后无法重新创建等问题 问题发生描述处理办法首先删除了app对应目录migrations下除 __init__.py以外的所有文件:然后&#xff0c;删除migrations中关于你的app的同步数据数据库记录最后&#xff0c;重新执行迁移插入 问题发生描述 Django创建的表&#xf…

Linux 基础-查看和设置环境变量

一&#xff0c;查看环境变量 在 Linux中&#xff0c;环境变量是一个很重要的概念。环境变量可以由系统、用户、Shell 以及其他程序来设定&#xff0c;其是保存在变量 PATH 中。环境变量是一个可以被赋值的字符串&#xff0c;赋值范围包括数字、文本、文件名、设备以及其他类型…

Webapi(.net6) 批量服务注册

如果不考虑第三方库&#xff0c;如Autofac这种进行服务注入&#xff0c;通过本身的.Core Weabpi实现的&#xff0c;总结了两种实现方法&#xff0c; 1.一种是参考abp框架里面的形式; 1.1 新建个生命周期的文件夹: 三个接口分别为: public interface IScopedDependency { }pu…

Visual Studio配置libtorch(cuda安装一步到位)

Visual Studio配置libtorch visual Studio安装cuDNN安装CUDAToolkit安装libtorch下载Visual Studio配置libtorch(cuda版本配置) visual Studio安装 visual Studio点击安装 具体的安装和配置过程这里就不进行细讲了&#xff0c;可以参考我这篇博客Visual Studio配置OpenCV(保姆…

3.Windows下安装MongoDB和Compass教程

Windows下安装MongoDB 总体体验下来&#xff0c;&#xff0c;要比MySQL的安装简单了许多&#xff0c;没有过多的配置&#xff0c;直接就上手了&#xff01; 1、下载 进入官方的下载页面https://www.mongodb.com/try/download/community&#xff0c;如下选择&#xff0c;我选…

solr/ES 分词插件Jcseg设置自定义词库

步骤&#xff1a; 1、找到配置文件jcseg-core/target/classes/jcseg.properties修改配置&#xff1a; 下载地址: https://gitee.com/lionsoul/jcseg#5-如何自定义使用词库 lexicon.path {jar.dir}/../custom-word 设置lexicon路径&#xff0c;我们这个配置可以自定义&#xf…

flink1.18.0 自定义函数 接收row类型的参数

比如sql中某字段类型 array<row<f1 string,f2 string,f3 string,f4 bigint>> 现在需要编写 tableFunction 需要接受的参数如上 解决方案 用户定义函数|阿帕奇弗林克 --- User-defined Functions | Apache Flink

【IC设计】Verilog线性序列机点灯案例(二)(小梅哥课程)

文章目录 该系列目录&#xff1a;设计目标设计思路RTL 及 Testbench仿真结果存在的问题&#xff1f;改善后的代码RTL代码testbench代码 仿真结果 案例和代码来自小梅哥课程&#xff0c;本人仅对知识点做做笔记&#xff0c;如有学习需要请支持官方正版。 该系列目录&#xff1a;…

微信小程序云开发教程——墨刀原型工具入门(表单组件)

引言 作为一个小白&#xff0c;小北要怎么在短时间内快速学会微信小程序原型设计&#xff1f; “时间紧&#xff0c;任务重”&#xff0c;这意味着学习时必须把握微信小程序原型设计中的重点、难点&#xff0c;而非面面俱到。 要在短时间内理解、掌握一个工具的使用&#xf…

路由器端口转发远程桌面控制:一电脑连接不同局域网的另一电脑

一、引言 路由器端口转发&#xff1a;指在路由器上设置一定的规则&#xff0c;将外部的数据包转发到内部指定的设备或应用程序。这通常需要对路由器进行一些配置&#xff0c;以允许外部网络访问内部网络中的特定服务和设备。端口转发功能可以实现多种应用场景&#xff0c;例如远…

Java项目:55 springboot基于SpringBoot的在线视频教育平台的设计与实现015

作者主页&#xff1a;舒克日记 简介&#xff1a;Java领域优质创作者、Java项目、学习资料、技术互助 文中获取源码 项目介绍 在线视频教育平台分为管理员和用户、教师三个角色的权限模块。 管理员所能使用的功能主要有&#xff1a;首页、个人中心、用户管理、教师管理、课程信…

数据结构/C++:红黑树

数据结构/C&#xff1a;红黑树 概念实现基本结构插入uncle为红色节点uncle为黑色节点 总代码展示 概念 红黑树是一种二叉搜索树&#xff0c;一般的二叉搜索会发送不平衡现象&#xff0c;导致搜索效率下降&#xff0c;于是学者们开始探索如何让二叉搜索树保持平衡&#xff0c;这…

【大模型系列】问答理解定位(Qwen-VL/Llama2/GPT)

文章目录 1 Qwen-VL(2023, Alibaba)1.1 网络结构1.2 模型训练 2 Llama2(2023, Meta)2.1 网络结构2.1.1 MHA/GQA/MQA2.1.2 RoPE(Rotary Position Embedding, 旋转式位置编码)2.1.3 RMSNorm 2.2 推理2.2.1 集束搜索(beam search)2.2.2 RoPE外推 3 GPT系列(OpenAI) 1 Qwen-VL(2023…

论文篇00-【历年论文真题考点汇总】与【历年论文原题2009~2023年文字版记录】(2024年软考高级系统架构设计师冲刺知识点总结-论文篇-先导篇)

专栏系列文章推荐: 案例分析篇00-【历年案例分析真题考点汇总】与【专栏文章案例分析高频考点目录】 综合知识篇00-综合知识考点汇总目录 ...... 历年真题论文题考点汇总 历年软考系统架构设计师论文原题(2009-2022年) 因最新的2023年目前仅能搜索到回忆版,等楼主搜集到…

macbook删除软件只需几次点击即可彻底完成?macbook删除软件没有叉 苹果笔记本MacBook电脑怎么卸载软件? cleanmymac x怎么卸载

在MacBook的使用过程中&#xff0c;软件安装和卸载是我们经常需要进行的操作。然而&#xff0c;不少用户在尝试删除不再需要的软件时&#xff0c;常常发现这个过程既复杂又耗时。尽管MacOS提供了一些基本的macbook删除软件方法&#xff0c;但很多时候这些方法并不能彻底卸载软件…

Oracle Primavera P6 数据库升级

前言 为了模拟各种P6测试&#xff0c;我常常会安装各种不同版本的p6系统&#xff0c;无论是P6服务&#xff0c;亦或是P6客户端工具Professional&#xff0c;在今天操作p6使用时&#xff0c;无意识到安装在本地的P6 数据库&#xff08;21.12&#xff09;出现了与Professional软…

Linux系统——Session ID(负载均衡如何保持会话)

目录 一、实验环境搭建 二、部署Nginx代理服务器配置 三、部署后端真是服务器Tomcat配置 四、配置Tomcat的Session ID会话保持 五、测试 此次实验是Tomcat后端服务器如何做Session ID会话保持 一、实验环境搭建 [rootlocalhost ~]#systemctl stop firewalld [rootlocalho…

【Machine Learning】Suitable Learning Rate in Machine Learning

一、The cases of different learning rates: In the gradient descent algorithm model: is the learning rate of the demand, how to determine the learning rate, and what impact does it have if it is too large or too small? We will analyze it through the follow…