【Stata写论文】Sobel中介效应检验及KHB中介效应分解 |
您所在的位置：网站首页 › stata对数回归命令 › 【Stata写论文】Sobel中介效应检验及KHB中介效应分解 |
【Stata写论文】Sobel中介效应检验及KHB中介效应分解
|
中介效应领域有位HK的学者叫温忠麟，他和他的合作者在2014年发表的 《中介效应分析：方法和模型发展》对这方面的方法做了比较全面的总结。以至于现在市面上很多教程、说明啊，多多少少都参考了该论文。该论文概括了检验中介效应的几种方法，包括： 逐步回归法系数乘积法（Sobel检验）差异系数法Bootstrapping检验法本文直奔主题，给大家演示如何使最常用的分步回归检验/Sobel，进行中介效应检验。检验结束后，第二步工作通常是中介效应的分解。对于线性回归，Sobel检验中已经带有中介效应的分解分析；对于非线性回归，中介效应常用的分解方法是KHB。 非线性回归KHB方法对应的论文是：Comparing Coefficients of Nested Nonlinear Probability Models, Stata Journal, 2011.本文假设读者已经有了一定的基础，了解中介效应模型的大致原理。如果不太了解的话，也可以试试看看下图，应该也能看明白：  图片来源：2014，温忠麟等的论文 —— Y=c’X + bM + e3一、逐步检验回归系数：是否存在中介效应注意：这里的回归全部都应该加入控制变量，下面为了简化就省略了。另外逐步检验也用的最基础的回归命令，我们在此不做代码演示。另外，在Sobel检验的sgmediation命令结果中，已经完成了以下三步回归，大家可以参考本文的第二部分结果。 Step 1：Y对X跑个回归，需要系数（c）显著，证明Y和X有关系。否则到此为止。Step 2：M对X跑个回归，需要系数（a）显著，证明M和X有关系。否则到此为止。这两步跑完，我们还不能确定是否存在中介作用。还得继续跑一个最大的模型。 Step 3：Y对X+M跑个回归，需要M的的系数（b）显著——证明中介存在！否则不存在。如果b显著，中介效应存在。那么此时：Y对X的新系数（c'）如果显著，证明是部分中介作用；如果不显著，证明是完全中介作用。完全中介什么意思：通俗地说，就是 【X要对Y起作用，必须完全要通过M】 的意思。 部分中介：就是X对Y要起作用，部分通过M；其它部分呢？就是通过自己咯。所以也这个叫直接效应；通过中介产生的叫中介效应。 那么问题来了，直接效应和中介效应，两者比例如何呢？其实Sobel命令也会给出相应的结果——但是，只能针对线性回归的。非线性回归（logit和possion）的话，我们需要使用KHB方法。所以本文的第三部分，我们会演示用KHB方法进行中介效应的分解。 至于Sobel命令，这里我们先用来检测是否存在中介效应。它的检测结果可以和上面的逐步检验回归系数方法相互印证。此外，它的命令结果也带有中介效用（线性函数）的分解分析。 二、Sobel：中介效应验证+中介效应分解Sobel的具体命令是sgdediation，需要通过ssc安装 . ssc install sgmediation . sysuse aoto, clear . xi:sgmediation price, mv(rep78) iv(foreign) cv(length) Model with dv regressed on iv (path c) //Y对X的回归，price对foreign的回归，系数显著 Source | SS df MS Number of obs = 69 -------------+---------------------------------- F(2, 66) = 14.00 Model | 171834634 2 85917317 Prob > F = 0.0000 Residual | 404962325 66 6135792.8 R-squared = 0.2979 -------------+---------------------------------- Adj R-squared = 0.2766 Total | 576796959 68 8482308.22 Root MSE = 2477.1 ------------------------------------------------------------------------------ price | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- foreign | 2536.905 818.6971 3.10 0.003 902.3232 4171.486 length | 88.23541 16.68179 5.29 0.000 54.92913 121.5417 _cons | -11239.89 3312.615 -3.39 0.001 -17853.74 -4626.041 ------------------------------------------------------------------------------ Model with mediator regressed on iv (path a) //M rep78对 Xforeign的回归，系数显著 Source | SS df MS Number of obs = 69 -------------+---------------------------------- F(2, 66) = 17.83 Model | 23.3729838 2 11.6864919 Prob > F = 0.0000 Residual | 43.2646974 66 .655525718 R-squared = 0.3507 -------------+---------------------------------- Adj R-squared = 0.3311 Total | 66.6376812 68 .979965899 Root MSE = .80965 ------------------------------------------------------------------------------ rep78 | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- foreign | 1.267617 .2675979 4.74 0.000 .7333408 1.801894 length | .0000912 .0054526 0.02 0.987 -.0107952 .0109777 _cons | 3.00282 1.082756 2.77 0.007 .8410279 5.164611 ------------------------------------------------------------------------------ Model with dv regressed on mediator and iv (paths b and c') //Y对X+M的回归。首先康康M的系数b，是不显著。所以完了，不存在中介效应。 //这里我们可以假设M的系数显著显著，所以存在中介效应。 //然后foreign系数显著，所以，这个是部分中介；如果foreign的系数变得不显著，那么就是完全中介 Source | SS df MS Number of obs = 69 -------------+---------------------------------- F(3, 65) = 9.21 Model | 172060117 3 57353372.3 Prob > F = 0.0000 Residual | 404736842 65 6226720.65 R-squared = 0.2983 -------------+---------------------------------- Adj R-squared = 0.2659 Total | 576796959 68 8482308.22 Root MSE = 2495.3 ------------------------------------------------------------------------------ price | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- rep78 | 72.19215 379.3699 0.19 0.850 -685.4618 829.8461 foreign | 2445.393 954.7034 2.56 0.013 538.7183 4352.067 length | 88.22882 16.80498 5.25 0.000 54.66696 121.7907 _cons | -11456.67 3526.155 -3.25 0.002 -18498.89 -4414.453 ------------------------------------------------------------------------------ Sobel-Goodman Mediation Tests Coef Std Err Z P>|Z| Sobel 91.512021 481.28371 .1901 .84919823 //最重要的指标 Goodman-1 (Aroian) 91.512021 491.874 .186 .85240736 Goodman-2 91.512021 470.45508 .1945 .84577024 Coef Std Err Z P>|Z| a coefficient = 1.26762 .267598 4.73702 2.2e-06 b coefficient = 72.1922 379.37 .190295 .849078 //Y对M+X中，M的系数 Indirect effect = 91.512 481.284 .190142 .849198 Direct effect = 2445.39 954.703 2.56142 .010425 Total effect = 2536.9 818.697 3.09871 .001944 Proportion of total effect that is mediated: .03607231 //0.036被中介掉了。比例很小，所以中介效应不显著 Ratio of indirect to direct effect: .03742222 间接效应/直接效应 = 0.037 Ratio of total to direct effect: 1.0374222整个Sobel检验最关键的p值是 .84919823。基于它，我们判断整个中介效应不显著。 在中介效应的分解方面，我们可以看到，只有0.036的部分被中介掉。比例较小——不显著。 三、KHB：中介效应的分解如果我们模型中的三个回归不属于常见的线性回归，比如我们用了ologit和possion回归，那么在效应分解的时候，我们就需要用到KHB方法。要注意的是，KHB也能用在线性函数的效应分解。我们使用khb命令自带的数据进行演示。 use dlsy_khb.dta, clear khb logit univ fses || abil //Y=univ, M=fes, X-abil Decomposition using the KHB-Method Model-Type: logit Number of obs = 1896 Variables of Interest: fses Pseudo R2 = 0.16 Z-variable(s): abil ------------------------------------------------------------------------------ univ | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- fses | Reduced | .5471173 .0758482 7.21 0.000 .3984575 .6957771 Full | .3746087 .075724 4.95 0.000 .2261924 .5230249 Diff | .1725086 .03014 5.72 0.000 .1134353 .2315819 ------------------------------------------------------------------------------（具体数字的详细解读有待补充） References-----全文结束----- |
【本文地址】
今日新闻 |
推荐新闻 |