中介变量(mediator) 是一个重要的统计概念，如果自变量 X 通过某一变量 M 对因变量 Y 产生一定影响，则称 M 为 X 和 Y 的中介变量。目前国内外研究大部分都借鉴因果逐步回归法检验，因果步骤法由 Baron 和 Kenny(1986) 提出，其检验步骤分为三步。第一，X 对 Y 的回归，检验回归系数 c 的显著性);第二，X 对 M 的回归，检验回归系数 a 的显著性);第三，X和 M 对 Y 的回归，检验回归系数 b 和 c’ 的显著性)。如果系数 c，a 和 b 都显著，就表示存在中介效应。此时如果系数 c’ 不显著，就称这个中介效应是完全中介效应(full mediation);如果回归系数 c’ 显著，但 c’ ＜ c ，就称这个中介效应是部分中介效应 ( partial mediation)。中介效应的效果量(effect size)常用 ab/c 或 ab/c’ 来衡量。
在上两篇文章我们已经对生存数据进行中介分析，但是前两篇有个缺点，不能对中介变量是连续变量的数据进行分析。这段时间不少粉丝向我推荐了不少文献，是关于中介变量为连续变量的，在此表示感谢。
目前已经多篇文献介绍用于生存分析的中介效应分析（具体文献见参考文献）。今天介绍的是两阶段的中介回归方法来进行分析。
先导入数据
library(foreign)
library(plyr)
library(survival)
library(survminer)
bc<-read.csv("E:/r/test/xingen.csv",sep=',',header=TRUE)
这是个心肌梗死后患者生存率与各种危险因素相关的数据，status结局，time生存时间，chf疲劳，diabetes糖尿病，vf有无心室颤动，wmi心脏泵血功能，sex性别，age年龄。
下面咱们使用2阶段的经典调解法来正式分析，在咱们数据中，年龄age是暴露变量，是个连续变量，中介变量心排血量wmi是个连续变量，死亡status是个结局变量，其他的是协变量。我们先给它定义一下
bc$EXPOSURE<- bc$age
bc$M <- bc$wmi
bc$cov1<- bc$chf
bc$cov2<- bc$sex
bc$cov3<- bc$diabetes
本文为转载文章，全文地址如下：https://mp.weixin.qq.com/s?__biz=MzI1NjM3NTE1NQ==&mid=2247489118&idx=1&sn=17f8f050e61f6876a09a564a9fe48492&chksm=ea26f642dd517f54523f24510bea72448debd14134e5d0b7f820a01dd1edfff4d6e85ac54eb2#rd