R语言生存数据进行中介分析（2）--手动推导cox回归中介分析

中介变量(mediator) 是一个重要的统计概念，如果自变量 X 通过某一变量 M 对因变量 Y 产生一定影响，则称 M 为 X 和 Y 的中介变量。目前国内外研究大部分都借鉴因果逐步回归法检验，因果步骤法由 Baron 和 Kenny(1986) 提出，其检验步骤分为三步。第一，X 对 Y 的回归，检验回归系数 c 的显著性);第二，X 对 M 的回归，检验回归系数 a 的显著性);第三，X和 M 对 Y 的回归，检验回归系数 b 和 c’ 的显著性)。如果系数 c，a 和 b 都显著，就表示存在中介效应。此时如果系数 c’ 不显著，就称这个中介效应是完全中介效应(full mediation);如果回归系数 c’ 显著，但 c’ ＜ c ，就称这个中介效应是部分中介效应 ( partial mediation)。中介效应的效果量(effect size)常用 ab/c 或 ab/c’ 来衡量。

在上期文章《R语言生存数据cox回归进行中介分析(1)》中咱们已经介绍了，生存数据cox回归进行中介分析。近期有粉丝想我推荐了一篇BMC关于生存数据cox回归的文章（见参考文献），要求我复现这篇文章的方法，不过还是只能做中介变量是分类数据的，中介变量是连续数据还做不了。
今天咱们来演示一下,手动推导生存数据cox回归进行中介分析。因为这篇论文并不提供数据，所以我使用的是一个心梗患者的生存数据。咱们先导入数据和R包

library(survival)
bc<-read.csv("E:/r/test/xgscsj.csv",sep=',',header=TRUE)

我来介绍一下这个数据，这是一个心肌梗死患者的生存数据，ID是患者的编号，wmi是患者的心肌排血量，小于1L表示为0，大于1L表示为1，status为生存结局指标，chf为是否存在心力衰竭，age表示年龄小于60岁表示为0，大于60岁表示为1，sex为性别，diabetes为是否存在糖尿病，time为生存时间，vf为是否存在心室颤动。

本文为转载文章，原文地址如下：https://mp.weixin.qq.com/s?__biz=MzI1NjM3NTE1NQ==&mid=2247488895&idx=1&sn=3dea35022c41adfdc32838557f81c022&chksm=ea26f563dd517c75dcc729b29a1deef0848ba0e39e103f805c18c52d6bdadc53ac4f651c9b8b#rd