R语言生存数据进行中介分析(3)--对自变量和中介变量为连续变量的数据进行分析

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(3)--对自变量和中介变量为连续变量的数据进行分析_第1张图片
在上两篇文章我们已经对生存数据进行中介分析,但是前两篇有个缺点,不能对中介变量是连续变量的数据进行分析。这段时间不少粉丝向我推荐了不少文献,是关于中介变量为连续变量的,在此表示感谢。

目前已经多篇文献介绍用于生存分析的中介效应分析(具体文献见参考文献)。今天介绍的是两阶段的中介回归方法来进行分析。

先导入数据

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

R语言生存数据进行中介分析(3)--对自变量和中介变量为连续变量的数据进行分析_第2张图片
这是个心肌梗死后患者生存率与各种危险因素相关的数据,status结局,time生存时间,chf疲劳,diabetes糖尿病,vf有无心室颤动,wmi心脏泵血功能,sex性别,age年龄。

下面咱们使用2阶段的经典调解法来正式分析,在咱们数据中,年龄age是暴露变量,是个连续变量,中介变量心排血量wmi是个连续变量,死亡status是个结局变量,其他的是协变量。我们先给它定义一下

bc$EXPOSURE<- bc$age
bc$M <- bc$wmi
bc$cov1<- bc$chf
bc$cov2<- bc$sex
bc$cov3<- bc$diabetes

本文为转载文章,全文地址如下:https://mp.weixin.qq.com/s?__biz=MzI1NjM3NTE1NQ==&mid=2247489118&idx=1&sn=17f8f050e61f6876a09a564a9fe48492&chksm=ea26f642dd517f54523f24510bea72448debd14134e5d0b7f820a01dd1edfff4d6e85ac54eb2#rd

你可能感兴趣的:(R语言,r语言,生存分析,中介效应)