Questions tagged «mediation»

我刚刚碰到了这篇论文，该论文描述了如何通过混合效应建模来计算测量的可重复性（又称可靠性，又称类内相关性）。R代码为： #fit the model fit = lmer(dv~(1|unit),data=my_data) #obtain the variance estimates vc = VarCorr(fit) residual_var = attr(vc,'sc')^2 intercept_var = attr(vc$id,'stddev')[1]^2 #compute the unadjusted repeatability R = intercept_var/(intercept_var+residual_var) #compute n0, the repeatability adjustment n = as.data.frame(table(my_data$unit)) k = nrow(n) N = sum(n$Freq) n0 = (N-(sum(n$Freq^2)/N))/(k-1) #compute the adjusted repeatability Rn = …

28 mixed-model  reliability  intraclass-correlation  repeatability  spss  factor-analysis  survey  modeling  cross-validation  error  curve-fitting  mediation  correlation  clustering  sampling  machine-learning  probability  classification  metric  r  project-management  optimization  svm  python  dataset  quality-control  checking  clustering  distributions  anova  factor-analysis  exponential  poisson-distribution  generalized-linear-model  deviance  machine-learning  k-nearest-neighbour  r  hypothesis-testing  t-test  r  variance  levenes-test  bayesian  software  bayesian-network  regression  repeated-measures  least-squares  change-scores  variance  chi-squared  variance  nonlinear-regression  regression-coefficients  multiple-comparisons  p-value  r  statistical-significance  excel  sampling  sample  r  distributions  interpretation  goodness-of-fit  normality-assumption  probability  self-study  distributions  references  theory  time-series  clustering  econometrics  binomial  hypothesis-testing  variance  t-test  paired-comparisons  statistical-significance  ab-test  r  references  hypothesis-testing  t-test  normality-assumption  wilcoxon-mann-whitney  central-limit-theorem  t-test  data-visualization  interactive-visualization  goodness-of-fit 

我想知道是否有人知道在R中运行多重中介模型的方法。我知道中介包允许使用多个简单中介模型，但是我想运行一个模型，该模型可以同时评估多个中介模型。 我以为我可以在SEM框架（路径分析）中做到这一点，但想知道是否有一个软件包的新成员能够计算出多个中介者的典型中介统计数据（间接影响，通过中介的总影响比例等），并可以利用引导程序。我知道这是一个长远目标，但我想我应该花点时间从头开始开发。 更新：（11/11/2013） 自从几年前提出这个问题以来，我已经学会了使用出色的R包lavaan进行多种调解。 这是示例代码： model <- ' # outcome model outcomeVar ~ c*xVar + b1*medVar1 + b2*medVar2 # mediator models medVar1 ~ a1*xVar medVar2 ~ a2*xVar # indirect effects (IDE) medVar1IDE := a1*b1 medVar2IDE := a2*b2 sumIDE := (a1*b1) + (a2*b2) # total effect total := c + (a1*b1) …

19 r  regression  mediation 

我对测试具有一个IV，一个DV和一个调解器的简单调解模型感兴趣。正如Preacher和Hayes SPSS宏所测试的那样，间接影响是显着的，这表明调解员确实可以在统计学上调解这种关系。 在阅读有关调解的文章时，我读过诸如“请注意，调解模型是因果模型”之类的内容。- 大卫·肯尼（David Kenny）。我当然可以将中介模型用作因果模型，并且确实，如果模型在理论上是合理的，我可以认为这非常有用。 但是，在我的模型中，介体（一种被认为是焦虑症的素质）不是由自变量（焦虑症的症状）引起的。相反，介体和自变量是相关的，我相信自变量和因变量之间的关联可以很大程度上通过IV-mediator-DV之间的差异来解释。本质上，我试图证明IV-DV关系的先前报告可以由非IV引起的相关调解员来解释。 调解在这种情况下很有用，因为它说明了如何通过IV-Mediator-DV关系来统计地解释IV-DV关系。我的问题是因果关系问题。能否再回来回顾一下，告诉我们调解是不合适的，因为IV并不会导致调解员（我一开始就不会争论）？ 这有意义吗？任何对此事的反馈将不胜感激！ 编辑：我的意思是说X与Y相关，不是因为它引起Y，而是因为Z（部分地）引起Y，并且因为X和Z高度相关。有点令人困惑，但仅此而已。在这种情况下，因果关系并不是真正的问题，并且此手稿也与因果关系无关。我只是试图证明X和Y之间的差异可以用Z和Y之间的差异来解释。因此，基本上，X通过Z与Y间接相关（在这种情况下为“中介”）。

19 causality  mediation 

我可以想到至少一个幼稚的例子。假设我想研究X和Z之间的关系。我还怀疑Y影响Z，所以我控制Y。但是，事实证明，我不知道X引起Y，Y引起Z。因此，通过控制对于Y，我“了解”了X和Z之间的关系，因为X在给定Y的情况下独立于Z。 现在，在前面的示例中，可能是我应该研究的关系是X和Y以及Y和Z之间的关系。但是，如果我事先知道这些事情，我就不会在第一名。我现在所做的研究表明，X和Z之间没有关系，事实并非如此。...X和Z是相关的。 在下面的依赖关系图中对此进行了说明。在正确的情况下，Z取决于X和Y，并且X和Y是独立的。我们正确地控制了Y以确定X和Z之间的关系。在左情况下，Z取决于依赖于X的Y。X和Z在给定Y的情况下是独立的，因此通过控制是的 我的问题基本上是“什么时候适合控制变量Y，什么时候不适合？” ...可能很难或不可能完全研究X和Y之间的关系，但是，例如，将Y控制在给定的水平是一个选项。在进行研究之前，我们如何决定？控制太多或太少的常见陷阱是什么？ 引文表示赞赏。

15 mediation  controlling-for-a-variable 

我正在尝试使用R的小插图来了解R中的中介程序包。 我正在努力了解该mediate()函数的输出。 require("mediation") require("sandwich") data("framing") med.fit <- lm(emo ~ treat + age + educ + gender + income, data = framing) out.fit <- glm(cong_mesg ~ emo + treat + age + educ + gender + income, data = framing, family = binomial("probit")) summary(out.fit) # OR for sending a message to …

12 r  mediation 

在经典的中介模型中，我们的路径如下图所示 ， 其中测试M在X和Y之间的中介作用的第一步是X与Y显着相关（如图A所示）。 但是，我遇到了路径a和路径b非常重要而路径C却不重要的情况。与路径c相比，路径c'并不显着，但是系数降低了。 在这种情况下，谈论X，Y和M之间的关系是否仍然有价值？如果是这样，解决论文中这种关系的最佳方法是什么？我们可以说X对Y有间接作用但没有直接作用吗？ 我正在用三个样本（测试相同的路径模型。ñ1个= 124 ，n2= 49 ，n3= 166ñ1个=124，ñ2=49，ñ3=166n_1 = 124, n_2 = 49, n_3 = 166

12 mediation  path-model 

这只是我多次遇到的示例，因此我没有任何示例数据。在R中运行线性回归模型： a.lm = lm(Y ~ x1 + x2) x1是一个连续变量。x2是分类的，具有三个值，例如“低”，“中”和“高”。但是，R给出的输出将类似于： summary(a.lm) Estimate Std. Error t value Pr(>|t|) (Intercept) 0.521 0.20 1.446 0.19 x1 -0.61 0.11 1.451 0.17 x2Low -0.78 0.22 -2.34 0.005 x2Medium -0.56 0.45 -2.34 0.005 我知道R在这种因素（x2是一个因素）上引入了某种虚拟编码。我只是想知道，如何解释x2“高”值？例如，x2在此处给出的示例中，“ High” 对响应变量有什么影响？ 我在其他地方（例如这里）已经看到了这样的示例，但是还没有找到我能理解的解释。

10 r  regression  categorical-data  regression-coefficients  categorical-encoding  machine-learning  random-forest  anova  spss  r  self-study  bootstrap  monte-carlo  r  multiple-regression  partitioning  neural-networks  normalization  machine-learning  svm  kernel-trick  self-study  survival  cox-model  repeated-measures  survey  likert  correlation  variance  sampling  meta-analysis  anova  independence  sample  assumptions  bayesian  covariance  r  regression  time-series  mathematical-statistics  graphical-model  machine-learning  linear-model  kernel-trick  linear-algebra  self-study  moments  function  correlation  spss  probability  confidence-interval  sampling  mean  population  r  generalized-linear-model  prediction  offset  data-visualization  clustering  sas  cart  binning  sas  logistic  causality  regression  self-study  standard-error  r  distributions  r  regression  time-series  multiple-regression  python  chi-squared  independence  sample  clustering  data-mining  rapidminer  probability  stochastic-processes  clustering  binary-data  dimensionality-reduction  svd  correspondence-analysis  data-visualization  excel  c#  hypothesis-testing  econometrics  survey  rating  composite  regression  least-squares  mcmc  markov-process  kullback-leibler  convergence  predictive-models  r  regression  anova  confidence-interval  survival  cox-model  hazard  normal-distribution  autoregressive  mixed-model  r  mixed-model  sas  hypothesis-testing  mediation  interaction 

我有兴趣找到一种过程来模拟与指定的中介模型一致的数据。根据测试调解模型的一般线性结构方程模型框架，该模型首先由Barron和Kenny（1986）概述，并在Judd，Yzerbyt和Muller（2013）等其他地方进行了介绍，其结果模型为调解模型YYY，介体和预测变量，并由以下三个回归方程式控制： 通过对 的间接作用或中介作用可以定义为或等效地定义为。在旧的调解测试框架下，通过测试方程式1中的，建立了调解medmed\newcommand{\med}{\rm med} \medXXXYmedY=b11+b12X+e1=b21+b22X+e2=b31+b32X+b32med+e3(1)(2)(3)(1)Y=b11+b12X+e1(2)med=b21+b22X+e2(3)Y=b31+b32X+b32med+e3\begin{align} Y &= b_{11} + b_{12}X + e_1 \tag{1} \\ \med &= b_{21} + b_{22}X + e_2 \tag{2} \\ Y &= b_{31} + b_{32}X + b_{32} \med + e_3 \tag{3} \end{align}XXXYYYmedmed\medb22b32b22b32b_{22}b_{32}b12−b32b12−b32b_{12}-b_{32}b12b12b_{12}b22b22b_{22}等式2中的。b32b32b_{32} 到目前为止，我已经尝试使用in 来模拟与各种回归系数的值一致的和值，例如以下代码：medmed\medYYYrnormR x <- rep(c(-.5, .5), 50) med <- 4 + .7 * x + …

9 r  regression  simulation  random-generation  mediation