理解 R 中中介分析的输出

机器算法验证 r 调解
2022-03-04 03:35:30

我正在尝试使用包的小插图来了解 R 中的中介包。

我正在努力理解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 a senator for treated compared to untreated. 
exp(as.numeric(coef(out.fit)[3])) 

# mediation
med.out <- mediate(med.fit, out.fit, treat = "treat", mediator = "emo",
                   robustSE = TRUE, sims = 100)
summary(med.out)
...

                         Estimate 95% CI Lower 95% CI Upper p-value
ACME (control)             0.0802       0.0335       0.1300    0.00
ACME (treated)             0.0808       0.0365       0.1311    0.00
ADE (control)              0.0142      -0.1030       0.1325    0.78
ADE (treated)              0.0147      -0.1137       0.1403    0.78
Total Effect               0.0949      -0.0316       0.2129    0.14
Prop. Mediated (control)   0.7621      -2.0926       4.9490    0.14
Prop. Mediated (treated)   0.7842      -1.9272       4.6916    0.14
ACME (average)             0.0805       0.0350       0.1304    0.00
ADE (average)              0.0145      -0.1087       0.1364    0.78
Prop. Mediated (average)   0.7731      -2.0099       4.8203    0.14
...

这是否意味着在接受治疗的人群中,8.08% 的治疗效果是通过情绪状态来调节的?或者这是系数的变化treat

如果有人可以解释输出,将不胜感激。

1个回答

ACME (treated)0.0808 是什么意思?

0.0808 是治疗组中因变量的估计平均增加,它是由于中介而不是“直接”来自治疗的结果。

本例中的因变量是向国会议员发送消息的概率,中介是治疗产生的情绪反应,治疗是框架操作。因此,这个数字意味着在这个概率因框架而增加的估计 0.0949 (·) 中,估计的 0.0805 (· )由于框架产生的情绪变化而剩余的 0.0145 ( · ) 来自框架本身。Total EffectACME (average)ADE (average)

简而言之Total Effect= ACME (average)+ADE (average)

但是,没有理由认为治疗组和对照组的平均中介效应 (ACME) 相同,因此估计了两个中介效应:ACME (control)ACME (treated),即您的 0.0808。这些平均治疗效果的平均值是ACME (average)(我承认这有点令人困惑)。类似的论点适用于直接影响。

在这个人群中只有一种中介效应和一种直接效应的假设在包的作者中被称为“无干扰”。

在解释输出时记住随附论文中的定义并将您对回归表的普通理解稍微推到背景中会很有帮助。

最后一件事:由情绪反应而不是直接介导的框架因果效应的比例通常会计算为ACME (average)/之类的东西Total Effect,但在这里它不是(完全)。关于如何为因变量是离散的模型计算这个数量的一些讨论,如这里所示,出现在Imai 等人的附录 G 中。2010 年