タグ付けされた質問 「mediation」

混合効果モデリングによる測定の再現性（別名信頼性、別名クラス内相関）の計算方法を説明するこの論文に出会ったばかりです。Rコードは次のようになります。 #fit the model fit = lmer(dv~(1|unit),data=my_data) #obtain the variance estimates vc = VarCorr(fit) residual_var = attr(vc,'sc')^2 intercept_var = attr(vc$id,'stddev')[1]^2 #compute the unadjusted repeatability R = intercept_var/(intercept_var+residual_var) #compute n0, the repeatability adjustment n = as.data.frame(table(my_data$unit)) k = nrow(n) N = sum(n$Freq) n0 = (N-(sum(n$Freq^2)/N))/(k-1) #compute the adjusted repeatability Rn = …

28 mixed-model  reliability  intraclass-correlation  repeatability  spss  factor-analysis  survey  modeling  cross-validation  error  curve-fitting  mediation  correlation  clustering  sampling  machine-learning  probability  classification  metric  r  project-management  optimization  svm  python  dataset  quality-control  checking  clustering  distributions  anova  factor-analysis  exponential  poisson-distribution  generalized-linear-model  deviance  machine-learning  k-nearest-neighbour  r  hypothesis-testing  t-test  r  variance  levenes-test  bayesian  software  bayesian-network  regression  repeated-measures  least-squares  change-scores  variance  chi-squared  variance  nonlinear-regression  regression-coefficients  multiple-comparisons  p-value  r  statistical-significance  excel  sampling  sample  r  distributions  interpretation  goodness-of-fit  normality-assumption  probability  self-study  distributions  references  theory  time-series  clustering  econometrics  binomial  hypothesis-testing  variance  t-test  paired-comparisons  statistical-significance  ab-test  r  references  hypothesis-testing  t-test  normality-assumption  wilcoxon-mann-whitney  central-limit-theorem  t-test  data-visualization  interactive-visualization  goodness-of-fit 

Rで複数のメディエーションモデルを実行する方法を誰かが知っているのではないかと思っています。メディエーションパッケージでは複数の単純なメディエーションモデルを使用できますが、複数のメディエーションモデルを同時に評価する1つのモデルを実行したいと思います。 私はこれをSEMフレームワーク（パス分析）で行うことができると仮定していますが、複数のメディエーターのメディエーション分析に典型的な統計を計算するパッケージの新しい人（間接効果、メディエーションによるトータル効果の割合など）、ブートストラップを利用できます。私はこれが長いショットであることを知っていますが、ゼロから開発する時間を投資する前に尋ねるべきだと思いました。 更新日：（11/11/2013） 数年前にこの質問をして以来、私は素晴らしいRパッケージlavaanを使用して複数の調停を行うことを学びました。 コードの例を次に示します。 model <- ' # outcome model outcomeVar ~ c*xVar + b1*medVar1 + b2*medVar2 # mediator models medVar1 ~ a1*xVar medVar2 ~ a2*xVar # indirect effects (IDE) medVar1IDE := a1*b1 medVar2IDE := a2*b2 sumIDE := (a1*b1) + (a2*b2) # total effect total := c + (a1*b1) …

19 r  regression  mediation 

1つのIV、1つのDV、および1つのメディエーターを使用した単純なメディエーションモデルのテストに興味があります。Preacher and Hayes SPSSマクロによってテストされたように、間接的な効果は重要です。これは、メディエーターが関係を統計的に仲介するのに役立つことを示唆しています。 調停について読むとき、「調停モデルは因果モデルであることに注意してください」などのことを読みました。- デビッド・ケニー。因果モデルとしてメディエーションモデルを使用することは確かに評価できます。実際、モデルが理論的に健全であれば、これは非常に有用であると考えることができます。 しかし、私のモデルでは、メディエーター（不安障害の素因と考えられる特性）は、独立変数（不安障害の症状）によって引き起こされるものではありません。むしろ、メディエーターと独立変数は関連しており、独立変数と従属変数の間の関連は、IV-メディエーター-DV間の分散によって大きく説明できると思います。本質的に、IV-DV関係の以前のレポートは、IVによって引き起こされていない関連メディエーターによって説明できることを実証しようとしています。 調停は、IV-Mediator-DV関係によってIV-DV関係を統計的に説明する方法を説明するため、この場合に役立ちます。私の問題は因果関係の問題です。レビューが戻ってきて、IVが実際に調停者を引き起こさないので、調停は適切でないと私たちに伝えることができますか（私は最初に議論したことはなかっただろう）。 これは理にかなっていますか？この問題に関するフィードバックは大歓迎です！ 編集：私が言いたいのは、XがYを引き起こすためではなく、ZがYを（部分的に）引き起こし、XとZが高度に相関しているためです。少しわかりにくいですが、それだけです。この場合の因果関係は実際には問題ではなく、この原稿は因果関係についてそれほど重要ではありません。私は単に、XとYの間の分散がZとYの間の分散によって説明できることを実証しようとしています。したがって、基本的に、XはYからZまで間接的に相関します。

19 causality  mediation 

少なくとも1つの素朴な例を考えることができます。XとZの関係を調べたいとします。また、YがZに影響を与えるのではないかと疑って、Yを制御します。しかし、結局のところ、X Yの場合、XはYを与えられたZから独立しているため、XとZの関係を「カバー」します。 さて、前の例では、勉強しなければならない関係がXとY、およびYとZの関係である場合があります。ただし、そのようなことを先験的に知っていれば、最初の場所。私がDIDで行った研究は、XとZの間に関係がないことを示唆していますが、これは事実ではありません... XとZは関連しています。 これは、次の依存関係図に示されています。適切なシナリオでは、ZはXとYに依存し、XとYは独立しています。Yを正しく制御してXとZの関係を決定します。左のシナリオでは、ZはXに依存するYに依存します。XとZはYが与えられると独立します。 Y. 私の質問は基本的に「変数Yを制御するのが適切な場合とそうでない場合」です。XとYの関係を完全に調査することは困難または不可能な場合がありますオプション。調査を実施する前に、どのように決定すればよいのでしょうか？ 引用に感謝します。

15 mediation  controlling-for-a-variable 

パッケージのビネットを使用して、Rのメディエーションパッケージを回避しようとしています。 mediate()関数の出力を理解するのに苦労しています。 require("mediation") require("sandwich") data("framing") med.fit <- lm(emo ~ treat + age + educ + gender + income, data = framing) out.fit <- glm(cong_mesg ~ emo + treat + age + educ + gender + income, data = framing, family = binomial("probit")) summary(out.fit) # OR for sending a message to …

12 r  mediation 

従来のメディエーションモデルでは、次の図に示すパスがあります 、 XとYの間のMの媒介効果をテストする最初のステップは、XがYと有意に相関していることです（図のパネルAに示すように）。 しかし、私は状況にぶつかったパスAとパスBが強く重要ですが、パスCではありません。パスcと比較すると、パスc 'は重要ではありませんが、係数は減少しています。 この場合、X、Y、およびMの関係について話すことはまだ価値がありますか？もしそうなら、論文でこの関係に対処するための最良の方法は何ですか？XはYに間接的な影響を与えるが、直接的な影響はないと主張することはできますか？ 3つのサンプル、同じパスモデルをテストしています。n1=124,n2=49,n3=166n1=124,n2=49,n3=166n_1 = 124, n_2 = 49, n_3 = 166

12 mediation  path-model 

これは私が何度か遭遇した例にすぎないため、サンプルデータはありません。Rで線形回帰モデルを実行する： a.lm = lm(Y ~ x1 + x2) x1は連続変数です。x2カテゴリ型で、「低」、「中」、「高」の3つの値があります。ただし、Rによって与えられる出力は次のようになります。 summary(a.lm) Estimate Std. Error t value Pr(>|t|) (Intercept) 0.521 0.20 1.446 0.19 x1 -0.61 0.11 1.451 0.17 x2Low -0.78 0.22 -2.34 0.005 x2Medium -0.56 0.45 -2.34 0.005 私は、Rがそのような要因（要因x2であること）に何らかのダミーコーディングを導入していることを理解しています。私はただ疑問に思っていx2ます。「高」の値をどのように解釈しますか？たとえば、ここで示した例の「High」x2は応答変数にどのような影響を与えますか？ これの例を他の場所（例：ここ）で見ましたが、理解できる説明は見つかりませんでした。

10 r  regression  categorical-data  regression-coefficients  categorical-encoding  machine-learning  random-forest  anova  spss  r  self-study  bootstrap  monte-carlo  r  multiple-regression  partitioning  neural-networks  normalization  machine-learning  svm  kernel-trick  self-study  survival  cox-model  repeated-measures  survey  likert  correlation  variance  sampling  meta-analysis  anova  independence  sample  assumptions  bayesian  covariance  r  regression  time-series  mathematical-statistics  graphical-model  machine-learning  linear-model  kernel-trick  linear-algebra  self-study  moments  function  correlation  spss  probability  confidence-interval  sampling  mean  population  r  generalized-linear-model  prediction  offset  data-visualization  clustering  sas  cart  binning  sas  logistic  causality  regression  self-study  standard-error  r  distributions  r  regression  time-series  multiple-regression  python  chi-squared  independence  sample  clustering  data-mining  rapidminer  probability  stochastic-processes  clustering  binary-data  dimensionality-reduction  svd  correspondence-analysis  data-visualization  excel  c#  hypothesis-testing  econometrics  survey  rating  composite  regression  least-squares  mcmc  markov-process  kullback-leibler  convergence  predictive-models  r  regression  anova  confidence-interval  survival  cox-model  hazard  normal-distribution  autoregressive  mixed-model  r  mixed-model  sas  hypothesis-testing  mediation  interaction 

特定のメディエーションモデルと一致するデータをシミュレートする手順を見つけることに興味があります。Barron and Kenny（1986）によって最初に概説され、Judd、Yzerbyt、＆Muller（2013）などの他の場所で説明されたメディエーションモデルをテストするための一般的な線形構造方程式モデルフレームワークによると、結果メディエーションモデル、メディエーター、および予測子あり、次の3つの回帰方程式によって管理されます： YYYmedmed\newcommand{\med}{\rm med} \medXXXYmedY=b11+b12X+e1=b21+b22X+e2=b31+b32X+b32med+e3(1)(2)(3)(1)Y=b11+b12X+e1(2)med=b21+b22X+e2(3)Y=b31+b32X+b32med+e3\begin{align} Y &= b_{11} + b_{12}X + e_1 \tag{1} \\ \med &= b_{21} + b_{22}X + e_2 \tag{2} \\ Y &= b_{31} + b_{32}X + b_{32} \med + e_3 \tag{3} \end{align}を介した に対するの間接効果または仲介効果は、として、または同等にとして定義できます。メディエーションのテストの古いフレームワークでは、メディエーションは、式1の、式2の、および式3のをテストすることで確立されました。XXXYYYmedmed\medb22b32b22b32b_{22}b_{32}b12−b32b12−b32b_{12}-b_{32}b12b12b_{12}b22b22b_{22}b32b32b_{32} これまで、以下のコードのように、in を使用してさまざまな回帰係数の値と一致するおよび値をシミュレートすることを試みました：medmed\medYYYrnormR x <- rep(c(-.5, .5), 50) med <- 4 + .7 * …

9 r  regression  simulation  random-generation  mediation 

私は最近、この質問を学生から受け取りました： 単純なメディエーションモデルで、間接的な影響（ab）が有意であり、直接的な影響（c '）が小さくて取るに足らないことがわかった場合、それは完全なメディエーションまたは部分的なメディエーションがあることを意味しますか？

8 regression  mediation