中介效应模型：从公式到DMSAS操作，一篇全搞定！

一、中介效应的定义与核心概念

定义：中介效应模型旨在探究自变量（X）对因变量（Y）的作用机制，特别关注是否存在中间变量（M）在两者之间传递影响。

核心概念：总效应可以拆分为直接效应与间接效应。

案例：“高尿酸血症（X）”通过“肥胖（M）”间接作用于“高血压前期（Y），此时，肥胖扮演了中介变量的角色，其作用路径的统计显著性便构成了中介效应。

模型公式与关系：

1. 总效应模型：( Y = cX + e₁ )（c为X对Y的总效应）

2. 中介路径模型：

① ( M = aX + e₂ )（a为X对M的效应）

② ( Y = c'X + bM + e₃ )（b为M对Y的效应，c'为X对Y的直接效应）

③ 效应分解：总效应 ( c = c' + ab )，其中 ( ab ) 为间接效应（即中介效应）。

模型公式示意图

二、模型检验方法

中介效应的检验需结合统计显著性分析与效应量评估，常用方法包括：

1.逐步检验法（DMSAS中输出）

步骤：

① 检验总效应c是否显著（若不显著可能终止分析，但需注意“遮掩效应”存在的可能）；

② 检验路径a（X→M）和路径b（M→Y）的显著性；

③ 判断直接效应c'是否显著，区分完全中介（c'不显著）或部分中介（c'显著）。

局限性：逐步法对弱效应敏感，可能漏检中介效应，且未直接检验ab的显著性。

优势：逻辑清晰简便，适合初学者快速入门。且这种“先总后分”的流程在理论驱动型研究中具有重要价值。

2.Sobel检验

步骤：

① 建立自变量（X）对中介变量（M）的回归模型，得到回归系数 a 及其标准误。

② 建立中介变量（M）对因变量（Y）的回归模型（同时控制X），得到回归系数 b 及其标准误。

③ 计算间接效应及其标准误。

④ 计算Sobel检验统计量 Z，并基于标准正态分布判断显著性（统计量绝对值＞1.96为显著）。

局限性：要求 a×b 服从正态分布，但实际中即使 a 和 b 正态，其乘积也可能非正态，导致检验结果偏差。样本量较小时，统计效力降低，易出现假阴性（如间接效应实际存在但未检出）。无法处理复杂模型。不同标准误计算方法可能导致结果不一致，增加误判风险。

优势：无需多次假设检验，直接通过乘积系数 a×b 的显著性评估中介效应，计算简便，适合手动计算或者快速实现，因此在早期的研究中得到广泛应用。

3.Bootstrap法（DMSAS中输出）

步骤：

①从总体中随机抽取一个容量为 n 的样本作为基础数据。

②通过有放回抽样（Resampling），从原始样本中随机抽取 n 个数据点，形成一个新的自助样本。重复此过程 B 次（通常 B≥1000），生成大量自助样本。

③对每个自助样本计算目标统计量（如均值、中位数、方差等），得到 B 个统计量的值。

④根据 B 个统计量值绘制直方图或核密度曲线，形成该统计量的经验分布，用于模拟总体参数的不确定性。

⑤基于经验分布进行参数估计或假设检验。例如，通过取经验分布的2.5%和97.5%分位数作为95%置信区间。

局限性：生成大量自助样本并进行重复计算会消耗大量的计算资源，特别是在处理大规模数据集时。如果原始样本中存在显著的离群值或分布极不均衡，那么使用Bootstrap方法可能会导致结果出现偏差。对于高维数据或非独立同分布的情况（例如时间序列数据），需要采用改进的方法（如Block Bootstrap）才能确保适用性。如果原始样本无法充分代表总体（例如存在抽样偏差），那么得到的结果可能不够准确。

优势：无需假设总体分布形式，适用于未知或非正态分布的数据。在样本量较小的情况下，仍能提供可靠的统计推断，弥补传统方法的不足。可应用于多种统计量（如均值、方差、回归系数等）和复杂模型（如机器学习性能评估）。通过经验分布直接展示统计量的变异性，便于理解。

三、效应解释与注意事项

1.效应量计算

 中介比例反映间接效应占总效应的比重。例如，腰围在HUA与高血压关联中的中介比例为7.76%。

2. 负中介效应

若ab与c'符号相反，可能表明遮掩效应。

3.模型假设与验证

1. 时序性

X→M→Y需符合时间顺序，避免反向因果（如Y影响M）。

1. 无混淆变量

需控制X→Y和M→Y路径中的混杂因素，否则估计偏误。

1. 测量误差

中介变量的测量误差会导致b趋零偏误，高估c'。

四、应用场景与实例

1.医学研究

案例：肥胖（M）在HUA（X）与高血压前期（Y）间起中介作用，通过Bootstrap法验证其效应。

2.社会科学

1. 教育水平与健康：文化程度（X）通过吸烟（M1）和饮食（M2）间接影响肺癌风险（Y），采用系数乘积法与差异系数法组合分析。
2. 欺凌行为研究：遭受欺凌（X）通过家庭关系（M）影响施加欺凌（Y），结构方程模型结合Bootstrap检验。

3.心理学与行为科学

1. 完全中介：若工作压力（X）仅通过焦虑（M）影响绩效（Y），则焦虑为完全中介。
2. 多重中介：如饮酒对健康的影响可能通过社交（正向）和肝损伤（负向）两条路径同时作用。

五、模型扩展与争议

1、调节效应与中介效应的区分

调节效应指变量（如性别）改变X→Y关系的强度，而中介效应解释作用路径。两者可结合形成有调节的中介模型。

2、方法论争议

1. 逐步法的滥用：部分研究过度依赖逐步法，忽视Bootstrap等更稳健的方法。
2. 理论驱动不足：中介变量选择需基于理论，而非数据挖掘，否则可能导致伪中介。

六、报告规范

1. 需报告效应量（ab和中介比例）、置信区间、检验方法（如Bootstrap抽样次数）及控制变量。

2. 示例：在护理干预研究中，需说明“自我效能感”的中介效应值为0.119（95%CI: 0.075~0.165）。

七、使用DMSAS完成中介效应分析

1.数据概览

本篇内容涉及移民相关数据（欲获取数据，请在公众号回复：移民数据），数据量庞大，让我们聚焦于几组我们特别关注的数据。

注意：二分类变量，也是结局变量 。

2.分析目标

探讨治疗是否能够改善焦虑状况，并因此影响患者的移民决定。

3.操作流程

Step1：选择分析方法

在导入数据后，点击“分析”，点击“中介效应模型”。

Step2：选择变量

进入中介效应模型的界面后，将 cong_mesgy移动到因变量，将treat移动到自变量，将emo移动到中介变量。

Step3：调整模型

将总效应模型调整为binomial。

在以上步骤都完成后，点击“确定”，就可以让DMSAS运行中介效应模型了。

4.结果分析

在完成上述步骤后，我们将获得一份分析结果。在此，我们审视总效应表格、中介变量模型表格、间接效应模型表格以及bootstrap法检验表格。

将重点关注总效应表格和bootstrap法检验表格，从而得出以下结论： 

1. Bootstrap检验中，平均因果中介效应（ACME）的估计值为 0.0883，且 P值 < 0.05（未直接显示但根据置信区间不包含0推断显著），95%置信区间为 [0.0404, 0.1456]，未包含0，表明中介效应显著。
2. 平均直接效应（ADE）估计值为 0.0147（P=0.842），置信区间包含0（[-0.0964, 0.1415]），说明自变量（treat）对因变量的直接影响不显著。
3. 总效应（total_effect）估计值 0.103（P=0.13），置信区间包含0（[-0.0255, 0.2369]），表明总效应未通过显著性检验。
4. 中介效应占总效应的比例高达78.58%，进一步支持焦虑状态的核心中介角色。

分析结果显示：无论是总效应模型还是bootstrap效应模型均未达到显著水平，这表明治疗对移民决策的直接影响较为有限。然而，通过焦虑这一间接路径，治疗的效果仍具有一定的实际意义。

5.实际意义与建设

① 通过缓解焦虑，治疗能够间接降低患者的移民倾向。在移民相关的健康政策中，心理健康干预措施（例如提供焦虑管理支持）可能是降低移民风险的有效策略。

② 需要进一步控制潜在的混杂变量（如移民政策、家庭支持等），以增强因果推断的可靠性。

③ 扩大样本量，以提高中介比例估计的稳定性。

6.总结

治疗（treat）在降低焦虑状态（Emo）方面对移民决策（cong_mesg）具有完全中介作用。尽管治疗的总体效应并不显著，但其通过心理机制的间接路径却具有统计学意义和实际应用价值。因此，建议优先考虑将焦虑干预作为移民健康管理中的一个重要方面。

END