R数据分析:跨层中介的原理和做法,实例操练

之前有同学问过我211模型,没听过这个词,感觉怎么有这么不严肃的名字,偷偷去查了查,211模型,其实就是嵌套数据的中介的情形之一。根本上讲还是属于多水平模型的路径分析(用多水平模型跑回归也可以做中介,但其不在本文讨论范围,本文主要关注多水平结构方程multilevel structural equation modeling MSEM框架下的中介做法)。然后偷偷整理了下这方面的内容,今天刚刚好给大家写一些这方面的内容,希望对大家有所帮助。

经典的中介模型是不考虑嵌套的,数据一旦嵌套起来,这个时候就有必要考虑多水平中介分析了(其根本依然在于taking into account bias in standard errors resulting from a lack of independence among observations in such data):

The classic mediation model (that assumes independent observations, that is, no clustering) has been extensively studied . Extending the classic mediation model to clustered data is referred to as multilevel mediation analysis.

当我的数据是嵌套数据时,做中介分析的时候我们的变量就有可能在不同的水平测量的。

比如学生嵌套在学校的这么一个研究中(学生是一个水平,学校是高水平),我可以研究学校的文化通过影响学生学习兴趣从而影响学生成绩

中介分析(三):R语言实现多重中介分析 往期: 中介分析(一) 中介分析(二):多重中介分析 R语言lavaan包可以实现结构方程模型(SEM),而中介分析是SEM的核心环节。简单中介模型以及多重中介模型都可以用lavaan包实现。 安装载入lavaan包 install.packages("lavaan") library(lavaan) 首先介绍一下lavaan包构建模型的几个基础语法: y ~ x1 + x2 + x3 # ~左边为y,右边为3个自变量 y1 ~1 #只包含截距项的方程 := #Define a new paramet 阅读详情

相关推荐

跨层中介作用模型2-1-1的Mplus语法

跨层中介作用模型2-1-1的简单Mplus语法。

5805

Stata+R: 一文读懂中介效应分析

沙莎 (北京师范大学) E-mail: shasha_1212@163.com Stata连享会   计量专题 || 精品课程 || 简书推文 || 公众号合集   背景介绍 在研究中,我们探索自变量 X 对因变量 Y 产生的影响,得到 X 和 Y 在实际或理论上的关系,进而我们试图探索两者之间关系的内部机制或原理,中介效应分析为回答这一问题提供了可能性。 在本篇推文中,我们为大家梳...

Stata连享会 4万+

中介效应模型检验原理及Stata具体操作步骤

完全中介效应:当自变量 X 对因变量 Y 的影响完全是通过中介变量 M 实现时,即 X 对 Y 的直接效应为零,只有通过 M 产生的间接效应存在。在中介效应模型中,自变量(X)对因变量(Y)的影响可能并非直接产生,而是部分或全部通过一个或多个中介变量(M)来实现。比如,在研究教育水平(X)对个人收入(Y)的影响时,职业技能水平(M)是中介变量。方程 3 中,职业技能水平(M)对个人收入(Y)有显著影响,且教育水平(X)对个人收入(Y)的直接效应相比方程 1 有所减小但仍显著。

a519573917的博客 3万+

R数据分析:孟德尔随机化分析文献解析和实例操练

最近抽空研读了一篇探讨高血压和肾功能关系的文献,记录下来分享给大家,主要也是想看看孟德尔随机化的统计分析结果在论文中是如何呈现的,之后我会给大家写写孟德尔随机化的统计分析在R语言中的做法,希望可以帮助到大家。 文章的题目是A bidirectional Mendelian randomization study supports causal effects of kidney function on blood pressure,这篇文章用到的统计技巧叫做Two-sample MR----两样本孟德尔随

Codewar的博客 3万+

R数据分析:纵向数据如何做中介,交叉滞后中介模型介绍

看似小小的中介,废了我好多脑细胞,这个东西真的不简单,从7月份有人问我,我多重中介,到现在的纵向数据中介,从一般的回归做法,到结构方程框架下的路径分析法,到反事实框架做法,从中介变量和因变量到是连续变量到中介变量和因变量是分类变量,很浩渺的系统知识,今天开始一点一点给大家写。 今天就和大家一起探讨纵向数据的中介效应检验,一般来讲考虑因果关系的时间先后顺序,纵向数据才是探讨中介的理想数据形式: In practice, it is strongly recommended to establish me

Codewar的博客 1万+

R数据分析:工具变量回归的做法和解释,实例解析

什么是工具变量,以及什么是孟德尔随机化,以及孟德尔随机化怎么实现都给大家写了(大家去翻翻之前的文章呀),因为孟德尔随机化的工具变量是基因变量,所以我们会用专门的R包去做,普通的工具变量研究,我们要用的方法又不一样了。 我们做工具变量回归的时候用的方法叫做两阶段最小二乘估计--two-stage least squares(TSLS),本文会给大家介绍该方法的原理和实际操作方法,希望能对大家有帮助。 两阶段最小二乘估计的基本原理 以下一步步给大家捋捋哈,假设我现在对学历和收入这两个变量有兴趣,我想知道.

Codewar的博客 5680

R数据分析:列线图的做法及解释

我们经常做的研究就是建立预测模型,我常常问自己,建的模型有啥实际应用价值? 直到我了解到列线图这个东西,才知道模型可以通过列线图转化为实际的应用工具。 列线图也叫Nomogram,中文常称为诺莫图: Nomograms are visual and intuitive, which helps the general population and health managers to undersand the risk of diseases more easily 简单来说这个东西就是来帮助

Codewar的博客 2万+

R数据分析:逐步回归的做法和原理,案例剖析

做回归的时候经常头痛的一个问题就是变量的选择,好多人一放一大堆变量但是结果做出来都没意义,这个时候你可以试试让算法给你选择最优的自变量组合哟。 那么今天要写的就是回归时筛选变量的逐步法: The stepwise regression (or stepwise selection) consists of iteratively adding and removing predictors, in the predictive model, in order to find the subset of

Codewar的博客 6701

R数据分析:孟德尔随机化中介的原理和实操

中介本身就是回归,基本上我看到的很多的调查性研究中在中介分析的方法部分都不会去提混杂,都是默认一个三角形画好,中介关系就算过去了,这里面默认的逻辑就是前两步回归中的混杂是一样的,计算中介效应的时候就自动消掉了。但是,实际上对不对,还是有待具体分析的:孟德尔随机化作为一个天然的免去混杂的方法,和中介结合,整个中介又变得更纯净了,是一种更加值得推崇的中介做法,也是孟德尔随机化研究的必要的延申。

Codewar的博客 6795

R数据分析:孟德尔随机化中介的原理和实操二

上面的流程跑通之后,对于中介分析,我们需要报告间接效应的估计值和置信区间,还有中介比例的估计值和置信区间,类似下面的这样:转存失败重新上传取消但是其实我们是光跑孟德尔是得不到上面的需要的值的(比如间接效应的标准误,中介比例的标准误),此时需要借助的方法之一叫做delta method。转存失败重新上传取消delta method可以帮助我们得到ab相乘的标准误,从而算出中介效应的置信区间。转存失败重新上传取消。

Codewar的博客 5401

R数据分析:交叉滞后模型基础与实例解析

最近问纵向数据分析的同学贼多,像潜增长,GEE,多水平,之前都有写,今天偷空出个简易的交叉滞后教程哈,大家只要遇到像causal models,cross- lagged panel models,linear panel models 和autoregres-sive cross- lagged models 这些,都要反应过来他们都是一个东西,都叫面板模型,统一的数据特点就是把变量纵向测量很多波,然后想探讨变量间的关系,最简单的情形就是两波的时候啦,如下图: 我们看着这个图,可以自然而然地写出

Codewar的博客 1万+

R数据分析:一般线性回归的做法和解释

发现大家做分析做的最多的还是线性回归,很多人咨询的都是线性回归的问题,今天专门出一个线性回归的文章。 在R语言中我们可以非常方便地用基础包中的lm方法做出线性回归。参数的书写也和数学方程一样一样的Y~X+X2,只不过将等号换成了~。我们用summary+回归对象就可以得到回归结果,如果要看模型的残差直接$resid就可以。 还是给大家写一个活生生的例子吧: 实例描述: 我们有如图的数据集,我想要用回归分析做month, spend对sales的关系。 首先读入数据集(请私信“数据链接”获.

Codewar的博客 3783

R数据分析:再写潜在类别分析LCA的做法与解释

应粉丝要求,再给大家写一期潜在类别分析的教程,尽量写的详细一点。 首先,问题导入,啥是潜在类别分析? Latent Class Analysis (LCA) is a statistical model in which individuals can be classified into mutually exclusive and exhaustive types, or latent classes, based on their pattern of answers on a set of (

Codewar的博客 9485

R数据分析:竞争风险模型的做法和解释

今天有粉丝找我做一个竞争风险模型,顺便给大家写一个简易的教程,有问题大家直接私信,根据您的需求,一直做到您满意。 竞争风险模型这个东西还是临床医生用的多: 很直观的情景就是:研究治疗方案A和白血病复发的关系,如果患者在去医院复查的路上出车祸意外死亡了,就观察不到白血病复发了,也就是说“车祸死亡” 和“复发”存在竞争。这样的现象在医学研究中,非常常见!你想研究A因素导致的病人死亡,可是现实情况是病人常常死于其他疾病或情形。这个就是竞争风险模型。 竞争风险模型可以作为Kaplan–Meier (KM)和c

Codewar的博客 1万+

LLaVA-1.5:多模态视觉问答新突破

LLaVA-1.5在多模态视觉问答(VQA)任务中取得了显著进展,主要得益于视觉-语言连接器的优化和特定任务数据集的增加。通过将连接器升级为两层MLP,模型在处理视觉与语言关系时表现更佳。同时,引入如OKVQA、OCRVQA等数据集,增强了模型在复杂视觉推理任务中的能力。在11个基准测试中,LLaVA-1.5超越了现有方法,展示了其强大的多模态能力。此外,模型通过提升输入图像分辨率、扩展语言模型和改进多语言能力,进一步提升了性能。尽管在短格式回答任务中初期表现不佳,但通过调整提示格式和微调,其性能显著提升

weixin_57060548的博客 947

统信UOS系统盘扩容保姆级教程:用GParten-分区编辑器5分钟搞定

本文提供统信UOS系统盘扩容的详细图形化教程。针对系统盘空间不足问题,重点介绍如何使用系统自带的GParten-分区编辑器,在5-10分钟内安全、直观地完成扩容操作,无需记忆复杂命令,适合所有用户快速解决存储空间告急的困扰。

e3f4g5的博客 647

BEVFormer详解

BEVFormer 是将Transformer架构的自注意机制与BEV视图中3D检测结合起来的一种纯视觉目标检测方案。对于纯视觉的BEV检测方案,其中的重中之重就是如何将2D的图像特征映射到3D空间的BEV栅格,既然是映射关系,那就有前行投影和反向查询两种机制。前向投影是基于深度估计的方法,参考基于深度估计的BEV视图转换方法,典型代表为LSS。反向查询方法思路为先将BEV栅格在Z方向上进行lift提升,然后再映射到图像特征图上进行特征查询。BEVFormer 就是基于这种机制进行2D图像特征到3D空间的B

MAX的专栏 4749

最新Docker GPU支持全解析:为什么nvidia-smi能用但PyTorch找不到CUDA?

本文深入解析了Docker容器中nvidia-smi命令可用但PyTorch无法调用CUDA的根本原因。关键在于默认配置仅暴露了GPU的utility管理能力,而CUDA计算所需的compute能力未被激活。通过正确设置NVIDIA_DRIVER_CAPABILITIES环境变量为compute,utility,并配合--gpus参数,即可解决此问题,确保AI训练等任务顺利进行。

convnet3designer的博客 243

CentOS校园网Web Portal认证自动化实战

Web Portal认证是一种基于HTTP重定向与表单提交的强制网络准入机制,其原理是网关劫持未认证流量并跳转至登录页,验证通过后通过Cookie维持会话授权。该技术广泛应用于高校、机场、酒店等场景,核心价值在于细粒度访问控制与用户身份绑定。典型应用包括Linux命令行环境下的校园网接入、无GUI设备的自动联网、以及实验室集群的集中认证管理。本文聚焦CentOS系统,深入解析curl、cookie持久化、动态表单参数提取等关键技术环节,提供可调试、可复现、可工程化的完整认证流水线。

weixin_30522983的博客 266

国产安路FPGA(二)-TD软件时序约束与硬件调试实战

本文深入探讨了国产安路FPGA开发中TD软件时序约束的实战应用。文章详细解析了SDC文件的核心语法,包括基础时钟、生成时钟及输入输出延迟约束的编写方法,并针对硬件调试中常见的时序问题提供了解决方案。通过一个图像处理流水线的优化案例,阐述了如何结合代码修改与约束设置,实现设计从“能跑”到“跑得稳”的关键提升,是掌握FPGA可靠设计的实用指南。

weixin_29183637的博客 380

7、农业市场价格预测与K-Means聚类算法的综合研究

本文综合研究了农业市场价格预测与K-Means聚类算法的原理、应用及拓展。在农业领域,基于历史数据和供应信息的价格预测模型可为农民、政府和金融机构提供决策支持;在数据处理领域,K-Means算法通过合理选择初始质心和距离度量方法,实现高效聚类分析。文章还探讨了两种技术面临的挑战与解决方案,并展望了其在大数据、人工智能融合背景下的未来发展趋势,展示了跨领域技术协同的应用潜力。

ujm56789012的博客 67

lammps原子组速度的计算方法

在lammps摩擦、冲击、压痕等模拟过程中,涉及到某个原子组的整体移动,如果要输出这个原子组的整体移动速度,可以使用vcm()函数。下面是一个具体的使用案例,金刚石球在盒子内移动,输出移动过程中金刚石球在x方向的质心速度。vcm()是lammps自带的一个函数,返回原子组质心在设定方向的速度。其中,ID为group-ID,dim为方向,可设置x、y或者z方向。大家好,我是小马老师。

lammps_jiayou的博客 343

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

上一篇: R机器学习:重复抽样在机器学习模型建立过程中的地位理解
下一篇: R数据分析:做量性研究的必备“家伙什”-furniture包介绍
评论 2
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

公众号Codewar原创作者

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值