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。
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_第1张图片
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)

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_第2张图片
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

你可能感兴趣的:(R语言,r语言,回归,开发语言)