中介分析 - 版本历史

2022年8月8日 (一) 12:25 是趣木木呀

2022-08-08T12:25:56Z

2022年7月23日 (六) 16:24 我是猫

2022-07-23T16:24:56Z

我是猫：撤销我是猫（讨论）的版本30975

2022-05-06T02:25:37Z

撤销我是猫（讨论）的版本30975

显示更改

我是猫：重定向页面至主分层

2022-05-06T02:24:37Z

重定向页面至主分层

显示更改

2021年6月13日 (日) 15:09 思无涯咿呀咿呀

2021-06-13T15:09:46Z

思无涯咿呀咿呀：/* 其他推荐论文和资料 */

2021-06-13T14:45:07Z

其他推荐论文和资料

2021年6月13日 (日) 14:41 思无涯咿呀咿呀

2021-06-13T14:41:39Z

思无涯咿呀咿呀：/* 中介效应公式 */

2021-06-13T14:39:51Z

中介效应公式

思无涯咿呀咿呀：/* 数学定义 */

2021-06-13T14:38:53Z

数学定义

思无涯咿呀咿呀：/* 数学定义 */

2021-06-13T14:37:58Z

数学定义

@@ 第3行： / 第3行： @@
 |keywords=中介分析,因果科学,统计学
 |description=中介分析,因果科学,统计学
-}}
+}}处理变量不仅可以直接影响结局，也可以通过中介变量间接影响结局，因此结局变量的潜在结果同时依赖于处理变量和中介变量。总因果作用可分为自然直接作用和自然间接作用。
 Baron and Kenny（1986）<ref name=":0">Baron RM, Kenny DA. The moderator-mediator variable distinction in social psychological research: conceptual, strategic, and statistical considerations. J Pers Soc Psychol. 1986 Dec;51(6):1173-82. doi: 10.1037//0022-3514.51.6.1173. PMID: 3806354.</ref>提出的中介效应(mediation)框架（简称BK框架）在社会心理和消费者行为等诸多社会科学研究中产生了十分深远的影响。
@@ 第164行： / 第164行： @@
 北京师范大学的莎莎同学分享在CSDN上的一篇文章，金额充好了如何用中介效应进行分析。
@@ 第178行： / 第179行： @@
 * [https://pattern.swarma.org/path?id=90 因果科学和 Causal AI入门路径]，这条路径解释了因果科学是什么以及它的发展脉络。此路径将分为三个部分进行展开，第一部分是因果科学的基本定义及其哲学基础，第二部分是统计领域中的因果推断，第三个部分是机器学习中的因果（Causal AI）。
 * [https://pattern.swarma.org/path?id=28 复杂网络动力学系统重构文献]，这个路径是张江老师梳理了网络动力学重构问题，描述了动力学建模的常用方法和模型，并介绍了一些经典且重要的论文，这也是复杂系统自动建模读书会的主要论文来源，所以大部分都有解读视频。

@@ 第60行： / 第60行： @@
 ===数学定义===
-Pearl(1994)<ref name=":1" />中定义了这样一个运算符 <math>do(M = m)</math>，它的作用是去除<math> M </math>  的方程，代之以一个常数<math> m </math> 。例如，如果基本中介模型由以下方程组成:
+[[Judea Pearl|Pearl]](1994)<ref name=":1" />中定义了这样一个运算符 <math>do(M = m)</math>，它的作用是去除<math> M </math>  的方程，代之以一个常数<math> m </math> 。例如，如果基本中介模型由以下方程组成:
 <math> {\displaystyle X=f(\varepsilon _{1}),M=g(X,\varepsilon _{2}),Y=h(X,M,\varepsilon _{3}),}</math>
 那么应用了<math>do(M = m)</math>运算的模型将会变为：
@@ 第66行： / 第66行： @@
 同时，应用了<math>do(X = x)</math>运算的模型会变为：
 <math>{\displaystyle X=x,M=g(x,\varepsilon _{2}),Y=h(x,M,\varepsilon _{3})}</math>
-其中函数 f 和 g 以及误差项 <math> ε1   </math> 和  <math> ε3   </math> 的分布保持不变。如果我们进一步将 <math>do(X = x)</math>得到的变量 <math>M</math> 和 <math>Y</math> 分别重新命名为 <math>M(x)</math>和 <math>Y(x)</math> ，我们得到了所谓的“潜在结果(potential outcome)”<ref>Rubin, D.B. (1974). ''"Estimating causal effects of treatments in randomized and nonrandomized studies"''. ''Journal of Educational Psychology''. '''66''' (5): 688–701. ''doi'':''10.1037/h0037350''.</ref>或“结构反事实(structural counterfactuals)”<ref>Balke, A.; Pearl, J. (1995). Besnard, P.; Hanks, S. (eds.). "Counterfactuals and Policy Analysis in Structural Models". ''Uncertainty in Artificial Intelligence 11''. San Francisco, CA: ''Morgan Kaufmann''. '''1302''': 11–18. ''arXiv'':''1302.4929''. ''Bibcode'':''2013arXiv1302.4929B''.</ref>
+其中函数 f 和 g 以及误差项 <math> ε1   </math> 和  <math> ε3   </math> 的分布保持不变。如果我们进一步将 <math>do(X = x)</math>得到的变量 <math>M</math> 和 <math>Y</math> 分别重新命名为 <math>M(x)</math>和 <math>Y(x)</math> ，我们得到了所谓的“[[潜在结果]](potential outcome)”<ref>Rubin, D.B. (1974). ''"Estimating causal effects of treatments in randomized and nonrandomized studies"''. ''Journal of Educational Psychology''. '''66''' (5): 688–701. ''doi'':''10.1037/h0037350''.</ref>或“结构[[反事实]](structural counterfactuals)”<ref>Balke, A.; Pearl, J. (1995). Besnard, P.; Hanks, S. (eds.). "Counterfactuals and Policy Analysis in Structural Models". ''Uncertainty in Artificial Intelligence 11''. San Francisco, CA: ''Morgan Kaufmann''. '''1302''': 11–18. ''arXiv'':''1302.4929''. ''Bibcode'':''2013arXiv1302.4929B''.</ref>

←上一版本		2021年6月13日 (日) 15:09的版本
第1行：		第1行：
		+
		+	{{#seo:
		+	\|keywords=中介分析,因果科学,统计学
		+	\|description=中介分析,因果科学,统计学
		+	}}

	在统计学中，中介模型试图通过引入第三个假设变量，即中介变量(也称为中介变量、中介变量或中介变量)，来识别和解释自变量与因变量之间观察到的关系的基础机制或过程。与自变量和因变量之间的直接因果关系不同，中介模型所描绘的图景是自变量通过影响中介变量（不可观测）进而影响因变量。因此，中介变量的作用是澄清自变量和因变量之间关系的本质。<ref>MacKinnon, D. P. (2008). ''Introduction to Statistical Mediation Analysis''. New York: Erlbaum.</ref><references group="MacKinnon, D. P. (2008). Introduction to Statistical Mediation Analysis. New York: Erlbaum." />		在统计学中，中介模型试图通过引入第三个假设变量，即中介变量(也称为中介变量、中介变量或中介变量)，来识别和解释自变量与因变量之间观察到的关系的基础机制或过程。与自变量和因变量之间的直接因果关系不同，中介模型所描绘的图景是自变量通过影响中介变量（不可观测）进而影响因变量。因此，中介变量的作用是澄清自变量和因变量之间关系的本质。<ref>MacKinnon, D. P. (2008). ''Introduction to Statistical Mediation Analysis''. New York: Erlbaum.</ref><references group="MacKinnon, D. P. (2008). Introduction to Statistical Mediation Analysis. New York: Erlbaum." />
第130行：		第135行：

	* Kenneth MacCorquodale and ''Paul E. Meehl'' (1948) ''[http://psychclassics.yorku.ca/MacMeehl/hypcon-intvar.htm ON A DISTINCTION BETWEEN HYPOTHETICAL CONSTRUCTS AND INTERVENING VARIABLES]'' ''Classics in the History of Psychology'', retr. 22 Aug 2011.		* Kenneth MacCorquodale and ''Paul E. Meehl'' (1948) ''[http://psychclassics.yorku.ca/MacMeehl/hypcon-intvar.htm ON A DISTINCTION BETWEEN HYPOTHETICAL CONSTRUCTS AND INTERVENING VARIABLES]'' ''Classics in the History of Psychology'', retr. 22 Aug 2011.
		+
		+	== 编者推荐==
		+
		+
		+	===书籍推荐===
		+
		+	[[File:统计因果推理入门.jpg\|200px\|thumb\|right\|《统计因果推理入门》封面]]
		+
		+	*[[统计因果推理入门]] 对应英文[[Causal Inference in Statistics: A Primer]]
		+
		+	这本书非常适合初学者入门因果科学，这里面涉及到对结构因果模型的详细定义和阐述，非常清晰易懂。
		+
		+
		+
		+	===课程推荐===
		+	*[https://campus.swarma.org/course/2008 中介分析和路径因果效应（上）\| 因果科学与Causal AI读书会第 4 期]
		+
		+	::这个视频内容来自[[集智俱乐部读书会]]-因果科学与Causal AI读书会第一季内容的分享，主题是“中介分析和路径因果效应”，由ThoughtWorks高级咨询师兼东南亚市场技术总监徐培以及辅仁大学心理系在读硕士原显智来进行分享。分享的主题分别是可识别性问题以及在中介效应中的可识别性问题。
		+
		+
		+	*[https://campus.swarma.org/course/2013 中介分析和路径因果效应（下）\| 因果科学与Causal AI读书会第 5 期]
		+	::这个视频内容来自[[集智俱乐部读书会]]-因果科学与Causal AI读书会第一季内容的分享，这主题是“中介分析和路径因果效应(论文解读)”，由毕业于北京大学数学学院陆怡舟以及北京大学数学科学学院在读博士胡文杰来进行分享。分别探讨了关于路径效应中的半参数估计方法和基于干预方法的中介分析。
		+
		+
		+	=== 文章总结 ===
		+
		+	*[https://blog.csdn.net/arlionn/article/details/103853712?utm_medium=distribute.pc_feed_404.none-task-blog-2~default~OPENSEARCH~default-7.nonecase&depth_1-utm_source=distribute.pc_feed_404.none-task-blog-2~default~OPENSEARCH~default-7.nonecas Stata+R: 一文读懂中介效应分析]
		+
		+	北京师范大学的莎莎同学分享在CSDN上的一篇文章，金额充好了如何用中介效应进行分析。
		+
		+
		+	[https://mp.weixin.qq.com/s/l-05jRYabGI-JoXedU-PLA 因果科学：连接统计学、机器学习与自动推理的新兴交叉领域]
		+
		+	[https://mp.weixin.qq.com/s/ZOUeF_HEFneYVi2BPe8LFg 因果观念新革命？万字长文，解读复杂系统背后的暗因果]
		+
		+	[https://mp.weixin.qq.com/s/dVxgHcQAz_VjT-HDa2fXgg 周晓华：因果推断的数学基础和在医学中的应用]
		+
		+
		+	=== 相关路径 ===
		+	* [https://pattern.swarma.org/path?id=99 因果科学与Casual AI读书会必读参考文献列表]，这个是根据读书会中解读的论文，做的一个分类和筛选，方便大家梳理整个框架和内容。
		+	* [https://pattern.swarma.org/path?id=9 因果推断方法概述],这个路径对因果在哲学方面的探讨，以及因果在机器学习方面应用的分析。
		+	* [https://pattern.swarma.org/path?id=90 因果科学和 Causal AI入门路径]，这条路径解释了因果科学是什么以及它的发展脉络。此路径将分为三个部分进行展开，第一部分是因果科学的基本定义及其哲学基础，第二部分是统计领域中的因果推断，第三个部分是机器学习中的因果（Causal AI）。
		+	* [https://pattern.swarma.org/path?id=28 复杂网络动力学系统重构文献]，这个路径是张江老师梳理了网络动力学重构问题，描述了动力学建模的常用方法和模型，并介绍了一些经典且重要的论文，这也是复杂系统自动建模读书会的主要论文来源，所以大部分都有解读视频。
		+	* [https://pattern.swarma.org/path?id=114 因果纠缠集智年会——因果推荐系统分论坛]关于因果推荐系统的参考文献和主要嘉宾介绍，来源是集智俱乐部的因果纠缠年会。
		+
		+
		+
		+
		+
		+	----
		+	本中文词条由[[用户: 徐培\|徐培]]用户参与编译，[[用户:龚鹤扬\|龚鹤扬]]参与审校，[[用户:思无涯咿呀咿呀\|思无涯咿呀咿呀]]编辑，欢迎在讨论页面留言。
		+
		+
		+	'''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''

←上一版本		2021年6月13日 (日) 14:45的版本
第120行：		第120行：

	==其他推荐论文和资料 ==		==其他推荐论文和资料 ==
		+
		+	* ''[http://www.psychwiki.com/wiki/Mediation Summary of mediation methods at PsychWiki]''
		+
		+	* ''[http://methodology.psu.edu/ra/causal/example Example of Causal Mediation Using Propensity Scores]'' The Methodology Center, Penn State University
		+
		+	* ''[http://www.afhayes.com/introduction-to-mediation-moderation-and-conditional-process-analysis.html Book on moderation and mediation analysis, including an introduction to the PROCESS macro for SPSS and SAS]'' Andrew F. Hayes, Ohio State University
		+
		+	* ''[http://wexler.free.fr/library/files/tolman (1938) the determiners of behavior at a choice-point.pdf Online text of "The Determiner of Behavior at a Choice Point"]''
		+
		+	* Kenneth MacCorquodale and ''Paul E. Meehl'' (1948) ''[http://psychclassics.yorku.ca/MacMeehl/hypcon-intvar.htm ON A DISTINCTION BETWEEN HYPOTHETICAL CONSTRUCTS AND INTERVENING VARIABLES]'' ''Classics in the History of Psychology'', retr. 22 Aug 2011.

←上一版本		2021年6月13日 (日) 14:41的版本
第118行：		第118行：
	==参考文献==		==参考文献==
	<references />		<references />
		+
		+	==其他推荐论文和资料 ==

←上一版本		2021年6月13日 (日) 14:39的版本
第101行：		第101行：


−	已成为许多中介研究的估计对象。他们给出了直接和间接效应的无分布假设(distribution-free)表达式，并证明，尽管误差分布和函数 f, g, h 的性质难以确定，中介效应仍然可以通过使用回归方法利用数据来估计。调节中介和中介调节的分析属于因果中介分析的特例。中介公式确定了各种相互作用系数如何贡献于中介的必要和充分成分。	+	已成为许多中介研究的估计对象。他们给出了直接和间接效应的无分布假设(distribution-free)表达式，并证明，尽管误差分布和函数<math> f</math>, <math>g</math>, <math>h</math> 的性质难以确定，中介效应仍然可以通过使用回归方法利用数据来估计。调节中介和中介调节的分析属于因果中介分析的特例。中介公式确定了各种相互作用系数如何贡献于中介的必要和充分成分。

	===简单案例===		===简单案例===

@@ 第83行： / 第83行： @@
 其中 <math>E[\cdot ]</math> 表示对误差项的期望，这些效应有如下一些解释：
 - <math>TE</math> 表示的 <math>X</math>对 <math>Y</math>的总体因果效应。
-- <math>CDE</math> 表示在某个条件 <math>M=m</math>下，<math>X<math>对 <math>Y</math>的因果效应。
+- <math>CDE</math> 表示在某个条件 <math>M=m</math>下，<math>X</math>对 <math>Y</math>的因果效应。
-- <math>NDE</math> 表示  <math>X<math>对 <math>Y</math>的直接产生的因果效应。
+- <math>NDE</math> 表示  <math>X</math>对 <math>Y</math>的直接产生的因果效应。
-- <math>NIE</math>表示  <math>X<math>对 <math>Y</math>的通过中介变量 <math>M</math>产生的因果效应。
+- <math>NIE</math>表示  <math>X</math>对 <math>Y</math>的通过中介变量 <math>M</math>产生的因果效应。
-- 对于解释 <math>X</math>和 <math>Y<math>之间的效应，两个效应的差<math>TE-NDE</math> 度量的是中介变量在何种程度上是必要的。而 <math>NIE</math> 度量的是引入中介变量在充分性。
+- 对于解释 <math>X</math>和 <math>Y</math>之间的效应，两个效应的差<math>TE-NDE</math> 度量的是中介变量在何种程度上是必要的。而 <math>NIE</math> 度量的是引入中介变量在充分性。
 间接效应的受控版本并不存在，因为没有办法通过将一个变量固定到一个常量来屏蔽直接效应。
 根据这些定义，总体效应可以如下分解
 <math>TE=NDE-NIE_{r}</math>
-其中 <math>NIE_r</math>表示在 <math>NIE</math> 的定义中进行 <math>X = 1<math> 到 <math>X = 0</math>的反向转换；线性系统中总体效应等于直接效应与间接效应之和，即负的反转间接效应等于间接效应 <math>-NIE_r = NIE</math>。这些定义的力量在于它们的普适性；它们适用于具有任意非线性相互作用，任意干扰之间的依赖关系，以及连续变量和离散变量的模型。
+其中 <math>NIE_r</math>表示在 <math>NIE</math> 的定义中进行 <math>X = 1</math> 到 <math>X = 0</math>的反向转换；线性系统中总体效应等于直接效应与间接效应之和，即负的反转间接效应等于间接效应 <math>-NIE_r = NIE</math>。这些定义的力量在于它们的普适性；它们适用于具有任意非线性相互作用，任意干扰之间的依赖关系，以及连续变量和离散变量的模型。
 ===中介效应公式===