中介效应模型的Python实现主要涉及使用统计回归方法检验自变量X通过中介变量M影响因变量Y的间接路径。其核心步骤包括：1) 检验总效应（X→Y），2) 检验中介路径（X→M 和 M→Y），3) 使用系数乘积法或Bootstrap法检验间接效应的显著性。下面将结合具体代码和示例进行详细说明。 ### 1. 模型设定与数据准备 首先，需要明确变量并准备数据。假设我们有一个包含自变量 `X`、中介变量 `M` 和因变量 `Y` 的DataFrame数据集 `df`。 ```python import pandas as pd import numpy as np import statsmodels.api as sm from statsmodels.stats.mediation import Mediation import warnings warnings.filterwarnings('ignore') # 示例：生成模拟数据 np.random.seed(123) n = 200 X = np.random.randn(n) M = 0.5 * X + np.random.randn(n) * 0.5 Y = 0.3 * X + 0.4 * M + np.random.randn(n) * 0.5 df = pd.DataFrame({'X': X, 'M': M, 'Y': Y}) print(df.head()) ``` ### 2. 逐步检验法（Causal Steps Approach） 这是最经典的方法，通过三个回归方程进行检验 [ref_3]。 * **步骤1：检验总效应 `c`**（X对Y的总影响） ```python # 方程1: Y = cX + e1 model_total = sm.OLS(df['Y'], sm.add_constant(df['X'])).fit() c = model_total.params['X'] print("总效应 c (X -> Y):", c) print(model_total.summary()) ``` * **步骤2：检验路径 `a`**（X对M的影响） ```python # 方程2: M = aX + e2 model_mediator = sm.OLS(df['M'], sm.add_constant(df['X'])).fit() a = model_mediator.params['X'] print("\n路径 a (X -> M):", a) print(model_mediator.summary()) ``` * **步骤3：检验路径 `b` 和直接效应 `c'`**（控制M后，X对Y的直接影响） ```python # 方程3: Y = c'X + bM + e3 model_direct = sm.OLS(df['Y'], sm.add_constant(df[['X', 'M']])).fit() c_prime = model_direct.params['X'] b = model_direct.params['M'] print("\n直接效应 c' (X -> Y, 控制M):", c_prime) print("路径 b (M -> Y, 控制X):", b) print(model_direct.summary()) ``` * **效应计算与判断**： * 间接效应（中介效应） `ind_effect = a * b` * 总效应 `total_effect = c = c' + a*b`（在线性模型中成立） ```python indirect_effect = a * b total_effect_check = c_prime + indirect_effect print(f"\n--- 效应分解 ---") print(f"间接效应 (a*b): {indirect_effect:.4f}") print(f"直接效应 (c'): {c_prime:.4f}") print(f"总效应 (c): {c:.4f}") print(f"校验 (c' + a*b): {total_effect_check:.4f}") ``` 如果 `a` 和 `b` 均显著，且 `c` 显著，则存在中介效应。若 `c'` 不显著，则为完全中介；若 `c'` 显著，则为部分中介 [ref_3]。 ### 3. Bootstrap法检验（推荐） 逐步检验法对统计功效要求较高。更稳健的方法是使用Bootstrap抽样直接估计间接效应的置信区间。`statsmodels` 库提供了 `Mediation` 类来实现 [ref_3]。 ```python # 定义模型函数 def mediator_model(data): # 方程2: M ~ X model = sm.OLS(data['M'], sm.add_constant(data['X'])).fit() return model def outcome_model(data): # 方程3: Y ~ X + M model = sm.OLS(data['Y'], sm.add_constant(data[['X', 'M']])).fit() return model # 创建Mediation对象并运行Bootstrap med = Mediation(df, out='Y', med='M', indep='X', mediator_model=mediator_model, outcome_model=outcome_model, outcome_fit_kwargs={'cov_type': 'HC0'}) # 使用异方差稳健标准误 # 使用Bootstrap（例如5000次抽样）计算效应和置信区间 med_result = med.fit(n_rep=5000, seed=123) print(med_result.summary()) ``` Bootstrap结果将直接输出 **间接效应（ACME）、直接效应（ADE）和总效应** 的点估计值及其置信区间。如果间接效应的置信区间不包含0，则表明中介效应显著 [ref_3]。 ### 4. 使用专用库（`PyProcessMacro`） 对于更复杂的模型（如调节中介模型），可以使用 `PyProcessMacro` 库，其语法设计上借鉴了SPSS的PROCESS插件，非常便捷 [ref_1]。 ```python # 安装: pip install PyProcessMacro from PyProcessMacro import Process # 以简单中介模型（Model 4）为例 model = Process(data=df, model=4, x='X', y='Y', m=['M'], seed=12345) result = model.fit() print(result.summary()) # 可视化结果（如需要） # fig = model.plot() ``` 该库会自动计算Bootstrap置信区间并生成格式清晰的输出表格，包含所有路径系数、效应量及显著性检验结果 [ref_1]。 ### 5. 结果解读与报告 最终报告应包含以下核心信息，通常以表格形式呈现： | 路径/效应 | 系数估计 | 标准误 | t/z值 | p值 | Bootstrap 95% CI下限 | Bootstrap 95% CI上限 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | X → M (a) | 0.502 | 0.035 | 14.21 | <0.001 | 0.433 | 0.571 | | M → Y (b) | 0.412 | 0.072 | 5.74 | <0.001 | 0.271 | 0.553 | | X → Y (c') | 0.285 | 0.073 | 3.91 | <0.001 | 0.142 | 0.428 | | **间接效应 (a*b)** | **0.207** | **0.039** | - | - | **0.135** | **0.289** | | 总效应 (c) | 0.492 | 0.071 | 6.94 | <0.001 | 0.352 | 0.632 | **解读**：间接效应的Bootstrap置信区间（0.135, 0.289）不包含0，表明中介效应显著。直接效应也显著，因此 `M` 在 `X` 对 `Y` 的影响中起**部分中介作用**。 ### 关键注意事项 1. **变量中心化**：当模型包含交互项或调节变量时，通常需要对连续自变量进行中心化处理，以减少多重共线性。 ```python df['X_centered'] = df['X'] - df['X'].mean() ``` 2. **控制变量**：在 `statsmodels` 的回归方程或 `Process` 函数的 `cov` 参数中轻松加入控制变量。 3. **模型拓展**：上述方法适用于简单中介模型。对于**链式中介**（多个中介变量串联）或**并行中介**（多个中介变量并联），需在回归方程中同时纳入多个 `M`，或使用 `PyProcessMacro` 中更复杂的模型编号（如Model 6）[ref_1]。 4. **与调节效应结合**：若中介效应的大小受到另一个变量（调节变量W）的影响，则需使用**调节中介模型**（Moderated Mediation），可借助 `PyProcessMacro` 中的相应模型（如Model 7, 14等）实现 [ref_1]。 总之，对于基础中介分析，推荐使用 `statsmodels` 的 `Mediation` 类进行Bootstrap检验；对于需要快速分析或涉及复杂模型（调节中介、多中介）的情况，`PyProcessMacro` 库是更高效的选择 [ref_1][ref_3]。