网上对于中介效应的尊府挺多的巨臀，这里就差别旨趣进行过多证明。
浅薄来说，咱们分析自变量 X 对因变量 Y 产生的影响，如果变量 X 通过影响变量 M 来影响变量 Y ，那么这个变量 M 等于中介变量。 举例租客 (X) 通过中介公司 (M) 找到符合的屋子 (Y)，中介公司就在其中饰演了中介变量的变装，中介变量推崇的作用就称为中介效应了。
对于该分析我个东谈主有一个默契，等于X和Y必须关联联。这个关联不错是数据上的（correlation or association，calculated from statistical method）或者是学科上的（因为我的照管办法是疾病多组学，不错说是生物学上的关联）。 如果X和Y毫无联系，这个照管是否还有必要呢，这可能是值得想考的
这里共享几个不错匡助贯通的并吞： https://zhuanlan.zhihu.com/p/376007591 https://www.jianshu.com/p/bdf084f42e80 https://www.docin.com/p-1622412323.html
图片
中介效应的检会参考开端中介效应检会枢纽过火愚弄，温忠麟，2004 这篇著作很好的先容了中介效应的宗旨，站里好像就有，感兴味的不错看一下~
图片
分析步调 Mediation包在收集上能看到最多的应该等于用mediation包进行的中介分析，浅薄好用
df<- read.csv('~/PD/PD分期/olink_sig_original.csv'， check.names = F)
df[is.na(df)]<- 0 #补充NA数据，这一步看自我需求
#因子化我的分类变量
df$Gender<- as.factor(df$Gender)
df$Group<- as.factor(df$Group)
图片
教育线性讲求巨臀，我的X是CX3CL1， M是Meta52， Y是Group（二分类变量）
#教育线性讲求，我的X是CX3CL1， M是Meta52， Y是Group（二分类变量）
a<- lm(Meta52 ~ CX3CL1+Age+Gender，df) #lm(M~X，df)
b<- glm(Group ~Meta52+CX3CL1+Age+Gender， df，family = binomial) #glm(Y~X+M)
#install.packages("mediation")
library(mediation)
set.seed(123) #保证效果不错复现
result = mediate(a，b，treat="CX3CL1"，mediator = "Meta52"，boot = T)#默许1000次抽样
#这里需要细心变量的称呼，如果称呼比拟稀奇，有汉文或者标志很容易出错，提议提前处理变量名
summary(result)
图片
重心存眷的效果： ACME(average）波折效应 Prop.Mediated (average) 中介效应占比 不错从波折效应的p-value看出来，且置信区间莫得0，这个中介模子是树立的。中介变量占该模子94%的效应 （一般不会那么高，我的数据可能存在过拟合的可能性了） BruceR包对于这个包的中介模子用法服气不错参考底下这个知乎著作（也先容了更始效应、链式中介等），竟然救我于国困民艰 https://zhuanlan.zhihu.com/p/376007591
如果变量未几，或者照管的变量联系很明确，不错用mediation包跑。但我濒临的数据是十几个X变量，100多个M中介变量，豪迈下来概况1000+个中介模子，竟然是跑断腿也搞不定。诚然我有尝试写mediate（）的轮回，但怎样也处理不了treat和mediator要固定输入变量名的问题。
还晴天主开了一扇新的窗，让我发现了BruceR这个神包。这个包内嵌好多个常用的包（ggplot2、lmerTest、dplyr等等等）最犀利的是用来作念中介效应/更始效应的PROCESS函数，自动化为你处理该分析，不必我方教育讲求方程，只需要准备好一份数据集
#继续用上头的数据
#使用步调
PROCESS(data， y = "Group"， x = "CX3CL1"，
meds = "Meta52"， #中介变量，不错是多个，用c()
covs = c("Age"，"Gender")， #协变量
ci="boot"， nsim=1000， seed =1)
#写轮回
X.names<- colnames(df1[5:18]) #系数X变量的名字
M.names<- colnames(df1[19:111]) #系数M变量的名字
result1<- list()#建一个空的list放效果
k = 1
for (i in X.names){
for (j in M.names) {
k = 1
result1[[i]] <- list()
result1[[i]][[k]] <- PROCESS(data， y = "Group"， x = i，
meds = j，
covs = c("Age"，"Gender")，
ci="boot"， nsim=1000， seed =1)
k = k +1
}
}
图片
效果解读
Part1
************ PART 1. Regression Model Summary ************
图片
Model Summary图片
图一列出了教育讲求所用的变量和formula信息 图二，不带括号的是斜率b，括号内的数字是尺度差SE，星号代表显赫 Part2PART 2. Mediation/Moderation Effect Estimate
图片
这是最进军最需要看的部分了 通过indirect的P-value<0.05 且CI不包括0，不错知谈波折效应树立 中介效应=indirect effect / total effect = （-0.211)/(-0.222) = 95% 是一个填塞中介效应 效果整理（for linux）因为我的数据推断量很大，运程是在linux就业器的R跑的，是以对效果的索如若perl + shell scirpt。 附上在shell运行的完整代码， 使用的时辰请自行转换
将底下代码储存为一个.R 文献，假定定名为MedAnalysis.R
library(bruceR)
library(texreg)
data<- read.csv('your file.csv')
data$Group<- as.factor(data$Group)
data$Gender<- as.factor(data$Gender)
micro.names<- colnames(df1[12:18])
meta<- colnames(data[20:128])
result1<- list()
k = 1
for (i in micro.names){
for (j in meta) {
k = 1
result1[[i]] <- list()
result1[[i]][[k]] <- PROCESS(data， y = "Group"， x = i，
meds = j，
covs = c("Age"，"Gender")，
ci="boot"， nsim=5000， seed =1)
k = k +1
}
}
图片
同期咱们准备好跑完后用于索要流毒信息（如简介效应pvalue<0.05的）的perl代码，一样存成pl剧本文献。假定定名为 sel.pl
国厂视频偷拍a在线#!/usr/bin/perl -w
use strict;
open IN，$ARGV[0] or die $!;
while(<IN>)
{
chomp;
my $line1=<IN>;
chomp $line1;
my $line2=<IN>;
chomp $line2;
if($line1=~/\*/)
{
print "$_\n$line1\n$line2\n";
}
}
close IN;
图片
准备好R剧本和perl剧本，不错驱动后台运行了
1. nohup Rscript MedAnalysis.R > result.out & #放到后台跑，等效果 2. less result.out |grep "irect" result.out >result_sel.out#在如上头图一图二一大串效果中，只索要part2 灵验的pvalue信息 3. perl sel.pl result_sel.out >result_sel_res.out #只保留indirect显赫的组合
R跑完产生的.out文献， 每组齐是重迭的这些，好多不需要的信息
图片
索要后的result_sel.out 文献
图片
索要后的result_sel_res.out文献，唯有indirect <0.05的组合图片
临了就笔据效果，进一步的筛选进军的中介模子了———————————————————————— 嗅觉整理的不是很明晰完好巨臀，有契机再修改修改 DONE
本站仅提供存储就业，系数本色均由用户发布，如发现存害或侵权本色，请点击举报。