中介變量(mediator) 是一個重要的統計概念，如果自變量 X 通過某一變量 M 對因變量 Y 産生一定影響，則稱 M 為 X 和 Y 的中介變量。我們既往已經介紹了SPSS和R語言行中介效應分析，今天繼續介紹stata中介效應分析，大家都在介紹sgmediation包，我就不說了。Imai, Kosuke, Luke Keele and Dustin Tingley (2010)的文章指出，做中介效應還應進行敏感性分析。 mediation包相比sgmediation包的優勢是能進行敏感性分析，和R語言mediation包是同一作者，而且mediation包已經登上了stata官方期刊，可靠性絕對沒有問題。
OK，廢話不多說，馬上開始。我們先來安裝這個包
點選幫助—搜尋
點選網絡搜尋—medeff
安裝st0243就可以了
安裝好後我們就開始正式分析了。我們繼續使用我們的移民資料（公衆号回複：移民資料，可以獲得資料），我們先導入資料，我直接複制黏貼
資料很多，我們來看看我們關心的幾個資料。
Emo：焦慮狀态，通過量表來評分，treat:治療，分為有治療和未治療，age:年齡，educ:教育程度，gender:性别，income:收入，cong_mesg:發送移民資訊，二分類變量，也是結局變量
假設我們想知道，我們可以不可以通過治療來改變患者的焦慮狀态，進而改變患者移民這一舉動。這樣的話，焦慮狀态emo就是中介變量，cong_mesg:發送移民資訊為結局變量，我們先來看看stata做中介效應的格式
我來好好解釋一下，medeff是這個包的中介效應的函數名，(regress M T x) 和 (regress Y T M x),等于要建立兩個回歸方程，第一個是中介變量和原因變量的，第二個是結局變量和中介變量的。這裡M表示中介變量，T表示因變量，X表示調整變量，Y表示結局變量，regress用于線性回歸，sims為指定貝葉斯運作的模拟次數，seed為設定一個種子，讓結果有可重複性。
我們這裡的中介變量emo是連續變量，是以第一個回歸方程使用regress，第二個我們的結局是二分類變量，是以使用logit。
很簡單，結果就出來啦，我們可以看到總效應等于中介效應+直接效應。直接效應的可信區間包含0了，說明P大于0.05，表明直接效應影響不大，自變量主要是通過中介效應影響結局，也就是移民。
進一步繪圖
medsens (regress emo treat age ) (logit cong_mesg treat emo age ) , eps(.01) med( emo ) treat( treat ) sims(1000) level(95) graph
上圖示出了rho，可信區間和R方，這裡rho等于0.5
Y表示中介效應值，X表示敏感度關于rho。紅線表示混雜效應導緻中介效應消失時rho的值（有點拗口，自己體會一下），是以得出rho的絕對值越高，中介效應越可靠。
如果你想修改圖檔的細節，如顔色，區間，标題等
總的來說stata的mediation包行中介效應分析挺簡單的。
參考文獻：
- Imai, Kosuke, Luke Keele and Dustin Tingley (2010) A General Approach to Causal Mediation Analysis, Psychological Methods 15(4) pp. 309-334.
- Imai, Kosuke, Luke Keele and Teppei Yamamoto (2010) Identification, Inference, and Sensitivity Analysis for Causal Mediation Effects, Statistical Sciences, 25(1) pp. 51-71.
-
Imai, Kosuke, Luke Keele, Dustin Tingley, and Teppei Yamamoto. (2009) “Causal Mediation Analysis Using R” in Advances in Social Science Research Using R, ed. H. D. Vinod New York: Springer.
Forthcoming.