Der Mediator ist ein wichtiges statistisches Konzept. Wenn die unabhängige Variable X über eine bestimmte Variable M einen bestimmten Einfluss auf die abhängige Variable Y hat, wird M als vermittelnde Variable von X und Y bezeichnet. Gegenwärtig ziehen die meisten in- und ausländischen Studien Lehren aus der kausalen schrittweisen Regressionsmethode zum Testen. Die kausale Schrittmethode wurde von Baron und Kenny (1986) vorgeschlagen und ihre Testschritte sind in drei Schritte unterteilt. Erstens die Regression von X auf Y, Testen der Signifikanz des Regressionskoeffizienten c); zweitens die Regression von Bedeutung der Regressionskoeffizienten b und c'). Wenn die Koeffizienten c, a und b alle signifikant sind, bedeutet dies, dass ein vermittelnder Effekt vorliegt. Wenn zu diesem Zeitpunkt der Koeffizient c' nicht signifikant ist, wird der vermittelnde Effekt als vollständige Mediation bezeichnet. Wenn der Regressionskoeffizient c' signifikant ist, aber c' < c, wird der vermittelnde Effekt als teilweise Mediation bezeichnet. ). Die Effektgröße des Mediationseffekts wird häufig mit ab/c oder ab/c' gemessen.
In den letzten beiden Artikeln haben wir eine Mediationsanalyse für Überlebensdaten durchgeführt. Die ersten beiden Artikel weisen jedoch einen Mangel auf und können keine Daten analysieren, bei denen die vermittelnde Variable eine kontinuierliche Variable ist. In dieser Zeit haben mir viele Fans viel Literatur empfohlen, in der es um kontinuierliche Variablen als Zwischenvariablen geht. Ich möchte meinen Dank aussprechen.
Es gibt viele Literaturstellen, in denen die Mediationseffektanalyse für die Überlebensanalyse eingeführt wurde (siehe Referenzen für spezifische Literatur). Heute stellen wir die zweistufige Mediationsregressionsmethode zur Analyse vor.
Zuerst Daten importieren
library(foreign)
library(plyr)
library(survival)
library(survminer)
bc<-read.csv("E:/r/test/xingen.csv",sep=',',header=TRUE)
Hierbei handelt es sich um Daten zur Überlebensrate von Patienten nach Myokardinfarkt und verschiedenen Risikofaktoren, Statusergebnis, Zeitüberlebenszeit, CHF-Müdigkeit, Diabetes, Kammerflimmern mit oder ohne Kammerflimmern, WMI-Herzpumpfunktion, Geschlecht und Alter.
Als nächstes verwenden wir die zweistufige klassische Mediationsmethode für die formale Analyse. In unseren Daten ist das Alter die Expositionsvariable und eine kontinuierliche Variable, die vermittelnde Variable Herzzeitvolumen wmi ist eine kontinuierliche Variable, der Sterbestatus ist eine Ergebnisvariable und die andere sind Kovariaten. . Definieren wir es zunächst
bc$EXPOSURE<- bc$age
bc$M <- bc$wmi
bc$cov1<- bc$chf
bc$cov2<- bc$sex
bc$cov3<- bc$diabetes
Bei diesem Artikel handelt es sich um einen Nachdruck. Die vollständige Textadresse lautet wie folgt: https://mp.weixin.qq.com/s?__biz=MzI1NjM3NTE1NQ==&mid=2247489118&idx=1&sn=17f8f050e61f6876a09a564a9fe48492&chksm=ea26f642dd517f5 4523f24 510bea72448debd14134e5d0b7f820a01dd1edfff4d6e85ac54eb2#rd