〇、前言
在中，我们总想探索真正的因果关系。但每次当我们拍着胸脯说到“因果”的时候，却总被方法学家打脸。的确，“因果”本身就是一个大命题，在万物相生相克的过程中，如何完整的梳理出因果关系永远是一大挑战，甚至从哲学层面看，由于我们观察手段及认识的局限性，真实的因果关系网也许是不可知的。不过在我们尝试勾勒因果关系的时候，还是希望能够尽可能完善的把这一网络勾勒出来，而且具体到每个细节也有不同的方法来实现。今天我们就在最简单的因果关系基础之上，介绍一下中间变量和中介效应。
一、我们最熟悉的因果关系
最简单的因果关系无非只有两头，一头是因，另一头是果：
上图就是最简单的因果关系，x是原因，y是结果，这想必大家都能理解。而c和e又是什么呢?c其实是x对y效应的大小，比如我们建立回归模型时的“系数”就是最典型的c。同样在这一因果关系中，x和c共同解释了y的一部分变化(当然可多可少)，但是如上所述，毕竟无法解释所有y的变化。那么e就出现了，我们把y的变化中所有没能被原因x所解释的部分通通丢给e，所以e到底是什么?我们也说不清楚，在统计学上我们统一把它称为残差。
二、我们还算熟悉的因果关系
正如单因素和多因素分析的差别一样，对于某个结局y，通常也不会只有一个原因x，可能对应了多个原因共同对y产生作用，当然这些原因之间也许还存在复杂的关联和相互影响，甚至其中一个x会影响另一个x对y发挥的作用，这些我们暂且不表，毕竟不是本篇文章关注的重点。在众多x中还混入了一个m，单独看上去似乎也是y的一个原因。
三、我来搅浑水
更一般的情况也许是这样的，m本身是不是y的原因并不清楚，至少看起来m与y的改变息息相关。但是我们能够清楚的是x1是m的原因。大家混乱的关系变成了下面这个样子：
各种x是y的原因，这个观点无需多说了，毕竟从图看，每一个x都有一条线指向y。但是同时x1是m1的原因，m1又是y的原因。如果红色部分成立的话，m1就成了x1和y之间的中间变量，此时m1产生的效应为中介效应。也就是说，x1表现出来对y的影响，至少有一部分(或者全部)是通过改变m1带来的。
四、中间变量/中介效应好吃么?
1、有助于我们了解机制，也许可以作为潜在的干预点。
如果有其他因素也能对m1带来相同的改变，那么必然也会对y带来相同的影(等同于通过m1带来的影响)。同样，如果改变x1之后，我们组织了m1的改变，那么对应的变化也不会发生在y身上。这就是中间变量和中介效应的奇妙之处，如果我们发现了中间变量和中介效应，那么我们其实就向真理又迈进了一步。即便不会为临床带来什么实际产出，至少也有利于我们从临床向基础的转化。
2、可以作为结局的预测/预警指标
如果中间变量先于结局出现，同时中间变量的状态可被我们观察或测量到，那么中间变量最直接的作用就是能让我们更早的预计结局y的发生。基于中间变量的预测，比基于早期指标x的预测可能靠谱的多。
五、如何证明中间变量/中介效应的存在?
其实上面已经给出图了，图中各种a、b、c是否有统计学意义，其实就决定了中介效应是否存在。
在图中，我们探索中介效应的方式其实并不难，就是通过我们常用的各种多因素回归模型。我们需要做的就是分步骤把对应的y、x和m代入模型，然后观察对应的系数是否有统计学意义，具体步骤如下。
其中所谓的“完全中介效应”是指x对y的所有效应实际上都是通过改变m带来的，这是一种较为极端的情况。更常见的情况是，x的一部分效应是通过m来实现的。
上一篇：生存分析中生存率的计算
下一篇：样本量太大，怎么办?