El mediador es un concepto estadístico importante: si la variable independiente X tiene una cierta influencia sobre la variable dependiente Y a través de una determinada variable M, entonces M se denomina variable mediadora de X e Y. En la actualidad, la mayoría de los estudios nacionales y extranjeros extraen lecciones del método de regresión causal por pasos para las pruebas. El método de pasos causales fue propuesto por Baron y Kenny (1986), y sus pasos de prueba se dividen en tres pasos. Primero, la regresión de X sobre Y, pruebe la significancia del coeficiente de regresión c); segundo, la regresión de X sobre M, pruebe la significancia del coeficiente de regresión a); tercero, la regresión de X y M sobre Y, pruebe Importancia de los coeficientes de regresión byc'). Si los coeficientes c, a y b son todos significativos, significa que existe un efecto mediador. En este momento, si el coeficiente c' no es significativo, el efecto mediador se llama mediación total; si el coeficiente de regresión c' es significativo, pero c' < c, el efecto mediador se llama mediación parcial. ). El tamaño del efecto del efecto de mediación a menudo se mide por ab/c o ab/c'.
En los dos últimos artículos hemos realizado análisis de mediación sobre datos de supervivencia, sin embargo, los dos primeros artículos tienen una deficiencia y no pueden analizar datos donde la variable mediadora es una variable continua. Durante este período, muchos fans me han recomendado mucha literatura, que trata sobre variables continuas como variables intermedias, me gustaría expresar mi gratitud.
Ha habido muchas publicaciones que introducen el análisis del efecto de la mediación para el análisis de supervivencia (consulte las referencias para literatura específica). Hoy presentamos el método de análisis de regresión de mediación en dos etapas.
Importar datos primero
library(foreign)
library(plyr)
library(survival)
library(survminer)
bc<-read.csv("E:/r/test/xingen.csv",sep=',',header=TRUE)
Se trata de datos relacionados con la tasa de supervivencia de los pacientes después de un infarto de miocardio y diversos factores de riesgo, resultado del estado, tiempo de supervivencia, fatiga por ICC, diabetes, FV con o sin fibrilación ventricular, función de bombeo del corazón WMI, sexo y edad.
A continuación, utilizamos el método de mediación clásico de dos etapas para el análisis formal. En nuestros datos, la edad es la variable de exposición y es una variable continua, la variable mediadora gasto cardíaco wmi es una variable continua, el estado de muerte es una variable de resultado y el otras son covariables. Definámoslo primero
bc$EXPOSURE<- bc$age
bc$M <- bc$wmi
bc$cov1<- bc$chf
bc$cov2<- bc$sex
bc$cov3<- bc$diabetes
Este artículo es un artículo reimpreso y la dirección del texto completo es la siguiente: https://mp.weixin.qq.com/s?__biz=MzI1NjM3NTE1NQ==&mid=2247489118&idx=1&sn=17f8f050e61f6876a09a564a9fe48492&chksm=ea26f642dd517f545 23f24 510bea72448debd14134e5d0b7f820a01dd1edfff4d6e85ac54eb2#rd