Haupt Andere Kausale Mediation

Kausale Mediation

Überblick

Software

Beschreibung

Webseiten

Lesungen

Kurse

Überblick

Diese Seite vergleicht kurz die Mediationsanalyse sowohl des traditionellen als auch des kausalen Inferenz-Frameworks. Eine kommentierte Ressourcenliste wird bereitgestellt, gefolgt von einem vorgeschlagenen Artikel für ein zukünftiges Epi 6-Projekt zur Kausalitätsmediation.

Beschreibung

Was ist Vermittlung?

Forscher können annehmen, dass ein Teil oder die Gesamtwirkung der Exposition auf ein Ergebnis über einen Mediator wirkt, der eine Wirkung der Exposition und eine Ursache des Ergebnisses ist. Bei der Hypothese eines Mediators lässt sich der Gesamteffekt in zwei Teile unterteilen: den direkten und den indirekten Effekt. Der direkte Effekt ist der Effekt der Exposition auf das Outcome ohne den Mediator. Der indirekte Weg ist die Wirkung der Exposition auf das Ergebnis, die über den Mediator wirkt.

Warum sich um Mediation kümmern?
Es gibt viele Motivationen für die Durchführung einer Mediationsanalyse, aber das übergeordnete Ziel ist eine kausale Erklärung. Weitere spezifischere Gründe sind: Erhöhung der Konstruktvalidität, Stärkung der Evidenz für die Haupteffekthypothese, Verständnis der Mechanismen und Wirkstoffe, durch die eine Exposition Krankheiten verursacht, sowie Bewertung und Verbesserung von Interventionen (d. h. Identifizierung von Surrogat-Ergebnissen). Die Motivation hinter einer Mediationsanalyse hängt davon ab, welchen Effekt – direkt oder indirekt – der Forscher isolieren möchte und dies hängt von den eigenen Forschungsinteressen ab. Wenn ein Forscher beispielsweise hauptsächlich daran interessiert ist, vermittelte Pfade zu eliminieren, die nicht von Interesse sind, um den Nachweis einer Expositions-Ergebnis-Beziehung zu stärken, ist der interessierende Effekt der direkte Effekt. Auf der anderen Seite, wenn die zugrunde liegenden Mechanismen, durch die eine Exposition Krankheiten verursacht, von Interesse sind, könnte der Forscher mehr daran interessiert sein, den indirekten Effekt abzuschätzen.

Wie wird Mediation traditionell in der Literatur untersucht?

Qualitativer Ansatz (kausale Schritte von Baron und Kenny)

Der traditionelle Ansatz der Mediation – was wir in den meisten unserer Epidemiologie- und Biostatistik-Kurse gelernt haben – wurde 1986 von Baron und Kenny vorgeschlagen (eine frühe Version erschien in Judd und Kenny, 1981). Die vier Schritte zur Identifizierung eines Mediators werden wie folgt zusammengefasst:

Welche Universität bietet Folien, um zum Unterricht zu gelangen?
  1. Testen Sie die Gesamtwirkung von X auf Y

  2. Testen Sie die Beziehung zwischen X und M

  3. Teste die Beziehung zwischen M und Y und kontrolliere X

  4. Geben Sie an, ob M ein partieller oder vollständiger Mediator ist

In der Epidemiologie wird häufig der letzte Schritt verwendet – das heißt, Sie werden Ihren vorgeschlagenen Mediator in ein Modell einbringen und beurteilen, ob die Parameterschätzung im Vergleich der angepassten Schätzung mit dem Rohwert eine merkliche Verringerung der Größenordnung aufweist. Typischerweise wird eine willkürliche Metrik wie die 10 %-Regel verwendet, um „erheblich“ zu definieren.

Quantitativer Ansatz (Produktmethode von Baron und Kenny oder Differenzmethode)

Man kann einen quantitativeren Ansatz für die Mediation wählen, indem man eine Schätzung der gesamten, direkten und indirekten Wege erhält. In den obigen einfachen Abbildungen ist der Schätzwert des Gesamteffekts der Wert des Parameterschätzers für die Exposition, wenn das Ergebnis auf die Exposition regressiert wird; der direkte Effekt ist der Parameterschätzer für die Exposition, wenn das Ergebnis auf die Exposition und den Mediator regressiert wird.

Der indirekte Effekt kann entweder nach einer Produkt- oder Differenzmethode berechnet werden. Bei der Produktmethode wird der Parameterschätzer für die Exposition im XàM-Modell mit dem Parameterschätzer für den Mediator im MàY-Modell, adjustiert um X (a*b), multipliziert. Die Differenzmethode subtrahiert einfach den direkten Effekt von der Summe (c-c’), um den indirekten Effekt zu erhalten. Da das Schätzen des indirekten Effekts lediglich das Multiplizieren oder Subtrahieren von zwei Parameterschätzungen erfordert, ist das Erhalten einer Schätzung der statistischen Signifikanz des indirekten Effekts kompliziert und erfordert eine manuelle Berechnung oder die Verwendung irgendeines Makros.

Grenzen des traditionellen Ansatzes

Es gibt zwei Haupteinschränkungen des traditionellen Ansatzes zur Schätzung direkter und indirekter Effekte.

Erstens funktioniert die Effektzerlegung – die Tatsache, dass sich die direkten und indirekten Effekte zur Summe addieren – nach der Produkt- oder Differenzmethode nur in dem speziellen Fall, in dem lineare Regression für das Mediator- und Ergebnismodell verwendet wird und wenn keine Expositions-Mediator-Interaktion vorliegt . Wenn eine Interaktion vorliegt und der traditionelle Ansatz verwendet wird, sind die erhaltenen Effektschätzer nicht interpretierbar. Ein erwähnenswerter Punkt bei der Bewertung von Mediation mit binären Ergebnissen, wenn das Ergebnis üblich ist, ist, dass der traditionelle Ansatz der Mediation, selbst wenn keine X-M-Interaktion vorliegt, zu einer nicht interpretierbaren Schätzung führt, da das Odds Ratio nicht kollabiert. Dies würde Ihnen insbesondere einen konservativen Mediationstest geben (weitere Informationen finden Sie im Lehrbuch von VanderWeele).

Zweitens ist eine oft ignorierte Annahme dieses Ansatzes keine ungemessene Verwechslung des M-Y-Pfads. Diese Annahme kann sowohl in Beobachtungsstudien als auch in RCTs verletzt werden, denn obwohl die Exposition manchmal randomisiert werden kann, ist es oft nicht der Fall, dass sowohl Exposition als auch Mediator randomisiert werden.

Kausale Mediation

Kausale Inferenzmethoden für die Mediationsanalyse (kausale Mediation) sind eine Erweiterung des traditionellen Ansatzes, die entwickelt wurden, um die oben beschriebenen Haupteinschränkungen besser anzugehen. Erstens ermöglichen diese Methoden die Effektzerlegung in Gegenwart von X-M-Interaktionen, indem direkte und indirekte Effekte (kontrolliert oder natürlich) aus einem Rahmen für potenzielle Ergebnisse (PO) definiert und Schätzungen dieser Größen entwickelt werden, die nicht modellspezifisch sind. Zweitens erklärt die kausale Mediation die vier Hauptannahmen für die Schätzung der direkten und indirekten Effekte klar und schafft Klarheit über die nicht gemessenen verwirrenden Annahmen, die für die Durchführung einer Mediationsanalyse erforderlich sind. Der Ansatz der Kausalmediation legt den Schwerpunkt auf die Durchführung von Sensitivitätsanalysen, um die Robustheit der Ergebnisse gegenüber Verstößen gegen diese Annahmen zu überprüfen.

Bei der kausalen Mediation gibt es vier Hauptannahmen. Diese Annahmen sind im Wesentlichen die gleichen, die für die Durchführung von Mediationsanalysen im traditionellen Rahmen erforderlich sind, aber sie werden klar und im Voraus dargelegt. Es gibt zwei Arten von direkten und indirekten Effekten: kontrollierte und natürliche. Um kontrollierte Effekte zu schätzen, sind die ersten beiden Annahmen erforderlich; alle vier werden benötigt, um natürliche Effekte abzuschätzen.

Kontrollierte direkte und natürliche direkte und indirekte Effekte können mithilfe der PO-Notation definiert und Schätzungen mithilfe der Vermittlungsformeln von Pearl erhalten werden. Ohne Interaktion sind alle direkten Effekte gleich (und entsprechen dem traditionellen Ansatz) und alle indirekten Effekte sind gleich. Wenn eine X-M-Interaktion vorhanden ist, erhalten Sie so viele kontrollierte direkte Effekte, wie Sie Ebenen des Mediators haben. Im Gegensatz dazu wird bei Vorliegen einer Wechselwirkung nur eine Schätzung für den natürlichen direkten Effekt (entweder rein oder insgesamt) und eine Schätzung für den natürlichen indirekten Effekt (entweder rein oder insgesamt) erhalten, und diese Schätzungen summieren sich zum Gesamteffekt. Ob Sie sich entscheiden, den reinen oder den gesamten natürlichen direkten/indirekten Effekt zu schätzen, hängt davon ab, welcher Schätzung Sie die X-M-Interaktion zuordnen möchten. Das heißt, Sie können entweder den reinen indirekten Effekt und den gesamten direkten Effekt oder den gesamten indirekten Effekt und den reinen direkten Effekt schätzen; je nach gewählter Kombination wird die X-M-Wechselwirkung entweder in den direkten bzw. indirekten Effekt absorbiert.

Die PO-Definitionen und Pearl-Gleichungen für jeden Effekt lauten wie folgt:

PO-Definitionen:

Kontrollierte Direktwirkung:

  • Y1m-Y0m, wobei wir M=m . setzen

Natürliche Direktwirkung:

  • Rein: Y1M0-Y0M0

  • Gesamt: Y1M1-Y0M1

Natürliche indirekte Wirkung:

  • Rein: Y0M1-Y0M0

  • Gesamt: Y1M1-Y1M0

Schätzung der Bestellmengen (Pearl’s Mediation Formula)

Diese Gleichungen sind vereinfacht und es werden nur die reinen direkten und gesamten indirekten Effektschätzungen gezeigt; in Wirklichkeit müssten Sie in jeder Formel auch Confounder berücksichtigen.

Kontrollierte Direktwirkung:

  • E[Yxm-Yx*m]=E[Y|x,m]-E[Y|x*,m]

Reiner direkter Effekt: Nimmt den CDE für alle Werte von m und gewichtet ihn mit P(Mediator|unbelichtet); die Gewichtung durch den P(Vermittler|exponiert) würde eine Schätzung des gesamten direkten Effekts liefern.

  • E[YxMx*-Yx*Mx*]=∑mx*,m]P(m|x*)

Gesamter indirekter Effekt

  • E [YxMx-YxMx *] = ∑mE [Y | x, m] x *)

Kontrollierte vs. natürliche Effekte

Die Schätzung der PO-Mengen hebt einen kontroversen Bereich in der kausalen Mediationsliteratur hervor, eine Debatte um kontrollierte vs. natürliche Effektschätzungen. Natürliche Effekte erfordern zusätzliche Annahmen, um Schätzungen zu erhalten, und einige Forscher halten diese Annahmen für zu stark. Insbesondere bei der Schätzung natürlicher Wirkungen ist eine „weltübergreifende kontrafaktische“ Annahme erforderlich, bei der es sich bei der Anwendung um die Gewichtung unserer kontrollierten direkten Wirkung mit dem Anteil des Mediators an einer bestimmten Expositionshöhe handelt. Kontrollierte Effekte erfordern weniger Annahmen und sind in ihrem RCT-ähnlichen Ansatz präskriptiv, indem hypothetisch allen Individuen in der Population der gleiche Wert des Mediators zugewiesen wird. Manche sehen kontrollierten Effekten eine größere politische Relevanz als natürlichen Effekten (siehe Naimi et al., 2014).

Im Gegensatz dazu untersuchen natürliche Effekte die Mediation aus einer eher deskriptiven Perspektive, wobei der Schwerpunkt auf dem Verständnis der Mechanismen liegt. Um dies zu tun, muss dem Mediator erlaubt werden, sich zu ändern, wie es natürlich unter einer bestimmten Expositionsbedingung der Fall wäre, anstatt ihn auf ein bestimmtes Niveau für alle festzulegen. Obwohl mehr Annahmen erforderlich sind, besteht ein großer Vorteil der natürlichen Effekte darin, dass die Effektzerlegung in Gegenwart von Wechselwirkung funktioniert: Sie können sowohl eine Schätzung des direkten als auch des indirekten Effekts erhalten. Dies ermöglicht eine Schätzung des Anteils des Mediators am Gesamteffekt (der Anteil des vermittelten), der mit kontrollierten Effekten nicht geschätzt werden kann, da es so viele kontrollierte direkte Effekte wie Schichten des Mediators gibt.

Anwendungsbeispiele

Das Gebiet der Kausalmediation ist relativ neu und Techniken kommen häufig hinzu. Im Folgenden finden Sie Zusammenfassungen von zwei einfach zu implementierenden Tools zur Kausalmediation in Software, die den meisten Epidemiologen vertraut ist.

SAS-Makro

Das SAS-Makro ist ein regressionsbasierter Ansatz zur Schätzung kontrollierter direkter und natürlicher direkter und indirekter Effekte. Dieses Makro handhabt die Zerlegung in direkte und indirekte Effekte in Gegenwart von XM-Interaktionen und ermöglicht X, M und Y, verschiedene Formen anzunehmen: Die Exposition und der Mediator können binär oder kontinuierlich sein und das Ergebnis kann kontinuierlich, binär (logistisch) sein oder log-lineare Modelle), Zählung (Poisson- oder negative Binomialmodelle) oder Zeit bis zum Ereignis (proportionale Gefahren oder beschleunigte Ausfallzeitmodelle). Das Makro kann auch Daten verarbeiten, die verschiedene Studiendesigns verwenden. Ein großer Vorteil der Verwendung eines solchen Makros – unabhängig davon, ob Sie die X-M-Interaktion modellieren möchten oder nicht – besteht darin, dass Sie eine Schätzung des indirekten Effekts und seines Signifikanzniveaus in Ihrer Ausgabe erhalten.

R-Vermittlungspaket

Das kausale Mediationspaket von R, Mediation, verwendet Simulationen, um direkte und indirekte Auswirkungen bei X-M-Interaktion abzuschätzen. Dies geschieht durch die Modellierung der Interaktion im Ergebnisregressionsmodell und die Verwendung der mediate( )-Funktion, um die natürlichen direkten und indirekten Effekte basierend auf Pearls Mediationsformel zu schätzen. Wenn Forscher sich nicht sicher sind, ob sie die X-M-Interaktion modellieren sollen, kann ein formaler Test der X-M-Interaktion mit dem Funktionstest.TMint( ); ein signifikanter Befund impliziert, dass die Annahme ohne X-M-Interaktion nicht gilt. Um die zweite Einschränkung des traditionellen Ansatzes zu beheben, ermöglicht es eine Sensitivitätsanalysefunktion, medsens( ), den Forschern, durch Simulationen die Robustheit ihrer Ergebnisse gegenüber potenziellen ungemessenen M-Y-Confoundern zu untersuchen. Die Ergebnisse aller Analysen werden mit den Funktionen Summary( ) und Plot( ) angezeigt.

Fazit: Was also tun…

Wenn keine Expositions-Mediator-Interaktion vorliegt:

  • Die kausale Mediation entspricht dem traditionellen Ansatz (sofern die Annahmen erfüllt sind und die anderen Vorbehalte zu variablen Formen berücksichtigt werden).

Wenn eine Expositions-Mediator-Interaktion vorliegt:

  • Sie können nach wie vor traditionelle Ansätze verwenden, um das Vorhandensein oder Fehlen einer Mediation zu erkennen, aber wenn Sie versuchen, direkte und indirekte Auswirkungen abzuschätzen, werden Ihre Schätzungen verzerrt.

  • Sie können die natürlichen indirekten und direkten Auswirkungen abschätzen

Wenn Sie sich nicht sicher sind, ob eine Expositions-Mediator-Interaktion vorliegt:

  • Einige Forscher schlagen vor, Ihre Modelle in beide Richtungen auszuführen – mit und ohne X-M-Interaktion – und die Änderung der Schätzungen von Modell zu Modell zu untersuchen (d. h. sich nicht allein auf die Signifikanz des X-M-Interaktionsterms im Ergebnisregressionsmodell zu verlassen). Wenn sich die Größe der Parameterschätzungen bei der Modellierung der X-M-Interaktion nicht nennenswert ändert, ist es möglicherweise am besten, beim einfacheren Ansatz zu bleiben.

Wenn Sie sich über die nicht gemessenen verwirrenden Annahmen unwohl fühlen:

  • Begrenzen Sie nach Möglichkeit nicht gemessene Confounding in der Designphase einer Studie, indem Sie interessierende Mediationspfade in Betracht ziehen und Daten sowohl zu X-Y- als auch zu M-Y-Confoundern sammeln.

  • Führen Sie Sensitivitätsanalysen durch, um die Robustheit der Ergebnisse unter verschiedenen Szenarien nicht gemessener Störfaktoren zu untersuchen. Einige Programme (z. B. R) verfügen über integrierte Sensitivitätsanalysefunktionen. Kapitel 3 des Lehrbuchs von VanderWeele widmet sich der Durchführung von Sensitivitätsanalysen.

Lesungen

Lehrbücher & Kapitel

Kausale Mediation

  • VANDERWEELE, T. 2015. Explanation in Causal Inference: Methods for Mediation and Interaction, Oxford University Press.
    Ein neues Lehrbuch zur Mediation; prägnante, aber umfassende Beschreibung der Kausalmediation.

Traditioneller Ansatz

  • MACKINNON, D. P. 2008. Einführung in die statistische Mediationsanalyse, Routledge.
    Klare Diskussion des traditionellen Ansatzes und seiner Grenzen.

Methodische Artikel

Traditionelle Methode:

  • JUDD, C. M. & KENNY, D. A. 1981. Prozessanalyse: Estimating Mediation in Treatment Evaluations. Bewertungsübersicht, 5, 602-619.

  • BARON, R. M. & KENNY, D. A. 1986. Die Moderator-Mediator-Variablenunterscheidung in der sozialpsychologischen Forschung: konzeptionelle, strategische und statistische Überlegungen. J. Pers. Soc. Psychol, 51, 1173-82.
    Die ursprünglichen Mediationsartikel, die die traditionelle Methode und ihre Annahmen skizzieren.

  • MACKINNON, D. P., FAIRCHILD, A. J. & FRITZ, M. S. 2007. Mediationsanalyse. Annu Rev. Psychol, 58, 593-614.
    Eine Übersicht über statistische Methoden zur Bewertung der Mediation, die über den in Baron und Kenny beschriebenen Ansatz hinausgehen.

Kausaler Inferenzansatz (kausale Mediation):

Hintergrund zur Kausalitätsmediation aus der Perspektive potenzieller Ergebnisse:

  • ROBINS, J. M. & GREENLAND, S. 1992. Identifizierbarkeit und Austauschbarkeit für direkte und indirekte Effekte. Epidemiologie, 3, 143-55.
    Erklärung der kausalen Mediation aus der Perspektive potenzieller Ergebnisse. Umreißt die verschiedenen Arten der kausalen Mediation; hilfreich, zusammen mit Hafeman 2008 zu lesen.

  • HAFEMAN, D. M. 2008. Ein hinreichend ursachenbasierter Ansatz zur Beurteilung von Mediation. Eur. J. Epidemiol, 23, 711-21.
    Erklärung der Kausalmediation aus einer hinreichenden Komponenten-Ursache-Perspektive. Beschreibt die verschiedenen Vermittlungsarten; hilfreich bei der Verbindung von Synergie und Mediation.

Motivation zur Kausalmediationsanalyse:

ist ebola eine pandemie
  • PEARL, J. Direkte und indirekte Effekte. Proceedings of the 17th Conference on Unsicherheit in Artificial Intelligence, 2001. Morgan Kaufmann Publishers Inc., 411-420. (Sektion 2)
    Stellt die Formeln für die kausale Mediation bereit. Ein bisschen dicht, aber ein wegweisendes Papier im Verständnis der Kausalmediation.

  • HAFEMAN, D. M. & SCHWARTZ, S. 2009. Open the Black Box: eine Motivation für die Beurteilung von Mediation. Int. J. Epidemiol, 38, 838-45.
    Darstellung der Motivationen der Kausalmeditation mit Fokus auf die natürlichen Wirkungen.

Natürliche vs. kontrollierte Effekte:

  • NAIMI, A. I., KAUFMAN, J. S. & MACLEHOSE, R. F. 2014. Mediationsbedenken: mehrdeutige klinische und öffentliche Gesundheitsinterpretationen natürlicher direkter und indirekter Wirkungen. Int. J. Epidemiol, 43, 1656-61.
    Eine Überprüfung der kontrollierten vs. natürlichen Effekte und der Vor- und Nachteile jedes Ansatzes.

  • KAUFMAN, J. S., MACLEHOSE, R. F. & KAUFMAN, S. 2004. Eine weitere Kritik der analytischen Strategie der Anpassung an Kovariaten zur Identifizierung biologischer Mediation. Epidemiol-Perspektive Innov, 1,4.
    Erklärt die kausale Mediation aus der PO-Perspektive; beschreibt und demonstriert die Probleme bei der Schätzung kontrollierter Effekte in Gegenwart von Interaktionen.

  • KAUFMAN, J. S. 2009. Kommentar: Vergoldung der Blackbox. Internationale Zeitschrift für Epidemiologie, 38, 845-847.
    Kommentar zu Hafeman und Schwartz, 2009; Befürworter kontrollierter Effekte.

  • SCHWARTZ, S., HAFEMAN, D., CAMPBELL, U. & GATTO, N. 2010. Antwort des Autors. Kommentar: Vergoldung der Blackbox. Int. J. Epidemiol, 39, 1399-401.
    Antwort auf Kaufman, Kommentar von 2009.

Abschätzung direkter und indirekter Effekte:

  • PEARL, J. Direkte und indirekte Effekte. Proceedings of the 17th Conference on Unsicherheit in Artificial Intelligence, 2001. Morgan Kaufmann Publishers Inc., 411-420. (Sektion 3)
    Abschnitt 3 des Artikels von Pearl aus dem Jahr 2001 enthält die Formeln zur Schätzung des kontrollierten direkten Effekts, des natürlichen direkten Effekts und des natürlichen indirekten Effekts. Der Begriff ist dicht, aber wenn Sie Pearl erst einmal verstanden haben, können Sie viele gängige Mediationsanalysetools verstehen, die auf seiner Mediationsformel basieren.

  • PETERSEN, M. L., SINISI, S. E. & VAN DER LAAN, M. J. 2006. Schätzung der direkten kausalen Wirkungen Epidemiologie, 17, 276-84.
    Abschätzung direkter Effekte mittels zugänglicher Sprache und Formeln; gut zu lesen neben Pearl 2001.

Anwendungsartikel

Abschätzung direkter und indirekter Effekte mithilfe eines regressionsbasierten Rahmens:

SAS und SPSS

  • Valeri und Vanderweele SAS Macro (verfügbar auf seiner Tools- und Tutorial-Webseite): http://www.hsph.harvard.edu/tyler-vanderweele/tools-and-tutorials/
    Eine Anleitung und Hintergrundinformationen zur kausalen Mediation mithilfe eines SAS-Makros, um kontrollierte direkte, natürliche direkte und natürliche indirekte Effekte abzuschätzen. Dieser Artikel ist das „Rückgrat“-Papier und da zusätzliche Funktionen hinzugefügt wurden, wurden zusätzliche Papiere veröffentlicht (siehe unten).

Zusätzliche Ressourcen für die Überlebensanalyse (Zeit bis zum Ereignisergebnis)

  • VANDERWEELE, T. J. 2011. Kausale Mediationsanalyse mit Überlebensdaten. Epidemiologie, 22, 582-585.

  • VALERI, L. & VANDERWEELE, T. J. 2015. SAS-Makro für die Analyse der Kausalmediation mit Überlebensdaten. Epidemiologie, 26, e23-4.
    Das ursprüngliche Makro von Valeri und VanderWeele war nicht in der Lage, Ergebnisdaten der Zeit bis zum Ereignis zu analysieren; im März 2015 wurde diese Funktion verfügbar.

Zusätzliche Ressourcen für die logistische Regressionsanalyse für ein binäres Ergebnis

  • VANDERWEELE, T. J. & VANSTEELANDT, S. 2010. Odds Ratios für die Mediationsanalyse für ein dichotomes Ergebnis. Am J. Epidemiol, 172, 1339-48.
    Zusätzliche Informationen zu Problemen bei der Verwendung der logistischen Regression zur Analyse binärer Ergebnisdaten; Es ist wichtig, die Vorbehalte binärer Ergebnisdaten bei der Durchführung von Kausalmediationsanalysen zu verstehen.

ZUSTAND

MPLUS

  • MUTHÉN, B. & ASPAROUHOV, T. 2014. Kausale Effekte in der Mediationsmodellierung: eine Einführung mit Anwendungen auf latente Variablen. Strukturgleichungsmodellierung: Eine multidisziplinäre Zeitschrift, 1-12. http://www.tandfonline.com/doi/pdf/10.1080/10705511.2014.935843
    Beginnt mit einer unkomplizierten Zusammenfassung der traditionellen und kausalen Mediation und erklärt dann die Mediationsmöglichkeiten in MPLUS.

Abschätzung direkter und indirekter Effekte mit einem simulationsbasierten Framework:

R-Paket

  • IMAI, K., KEELE, L. & TINGLEY, D. 2010. Ein allgemeiner Ansatz zur Analyse der Kausalmediation. Psychol Methods, 15, 309-34.
    Hintergrundinformationen zur Theorie, die dem simulationsbasierten Ansatz zur Kausalmediation in R zugrunde liegt. Dies ist hilfreich als Referenz, um zu verstehen, wie Schätzungen beim Durcharbeiten der R-Vignette erstellt werden. Es ist auch hilfreich, um zu verstehen, welche Schätzungen in der Ausgabe bereitgestellt werden.

  • TINGLEY, D., YAMAMOTO, T., HIROSE, K., KEELE, L. & IMAI, K. 2014. Mediation: R-Paket zur kausalen Mediationsanalyse. http://cran.r-project.org/web/packages/mediation
    Die R-Vignette zur Durchführung der Kausalmediation.

STATA-Modul

Sensitivitätsanalysen:
Sensitivitätsanalysen sind ein wichtiger Bestandteil der Durchführung von Kausalmediationsanalysen, da starke Annahmen erforderlich sind, um natürliche Effekte zu erzielen. In diesen Artikeln werden verschiedene Sensitivitätsanalysen im Zusammenhang mit den unterschiedlichen Annahmen der Kausalmediation diskutiert. Siehe außerdem Kapitel 3 des Lehrbuchs von VaderWeele.

  • HAFEMAN, D. M. 2011. Verwechslung indirekter Effekte: eine Sensitivitätsanalyse, die die Bandbreite der Verzerrung aufgrund einer gemeinsamen Ursache sowohl des Mediators als auch des Ergebnisses untersucht. Am J. Epidemiol, 174, 710-7.

  • VANDERWEELE, T. J., VANSTEELANDT, S. & ROBINS, J. M. 2014. Effektzerlegung in Gegenwart eines expositionsinduzierten Mediator-Outcome-Confounders. Epidemiology, 25, 300-6.

Mediationsanalyse über regressionsbasierte Ansätze hinaus bewegen (eine Idee für zukünftiges Epi 6-Projekt):

  • LANGE, T., VANSTEELANDT, S. & BEKAERT, M. 2012. Ein einfacher einheitlicher Ansatz zur Abschätzung natürlicher direkter und indirekter Effekte. Am J. Epidemiol, 176, 190-5.
    Beschreibt die Verwendung von marginalen Strukturmodellen als Werkzeug zur Schätzung direkter und indirekter Effekte.

Webseiten

Vierteiliger Vortrag von Tyler VanderWeele: Harvard’s Biostatistics Seminar Series

Teil 1: https://vimeo.com/harvardcatalyst/review/123625538/7fd460d231

Teil 2: https://vimeo.com/harvardcatalyst/review/123625537/7241c2dd4e

Teil 3: https://vimeo.com/harvardcatalyst/review/123625539/d70731540c

Teil 4: https://vimeo.com/harvardcatalyst/review/123625540/00f720c86f

Ein Überblick über die aktuelle Literatur zur Kausalitätsmediation und praktische Anwendungstools von Tyler VanderWeele.

David Kennys Website: http://davidakenny.net/cm/mediate.htm
Ein Überblick über die Mediation aus traditioneller und kausaler Mediation.

Interessante Artikel

Tipp Der Redaktion

Eine Studie von George Bonanno von TC findet eine genetische Grundlage für Resilienz
Eine Studie von George Bonanno von TC findet eine genetische Grundlage für Resilienz
Neue Forschungen von George Bonanno bestätigen die genetische Grundlage für die psychischen Reaktionen von Menschen auf potenziell traumatisierende Ereignisse.
Vorteile der Nanotechnologie und ihre Anwendung in Medizin, Industrie, Elektronik
Vorteile der Nanotechnologie und ihre Anwendung in Medizin, Industrie, Elektronik
Nanotechnologie. Ein breites Anwendungsgebiet sieht in der Automobilindustrie, Elektronikgütern, der Medizin, der Verbesserung des menschlichen Sehvermögens und der Reduzierung körperlicher Anstrengungen vor.
Klinik für Rehabilitation und Regenerative Medizin
Klinik für Rehabilitation und Regenerative Medizin
Was sind Kreuzschmerzen? Kreuzschmerzen können von leichten, dumpfen, lästigen Schmerzen bis hin zu anhaltenden, starken, behindernden Schmerzen im unteren Rückenbereich reichen. Schmerzen im unteren Rückenbereich können die Beweglichkeit einschränken und die normale Funktion beeinträchtigen. Schmerzen im unteren Rücken sind eines der bedeutendsten Gesundheitsprobleme, mit denen die Gesellschaft heute konfrontiert ist. Betrachten Sie diese Statistiken der National Institutes of Health: Acht von zehn Menschen haben irgendwann in ihrem Leben Rückenschmerzen. Rückenschmerzen sind eine häufige Ursache für Aktivitätseinschränkungen bei Kindern und Erwachsenen jeden Alters.
John Bennet
John Bennet
John Bennet ist leitender Redakteur beim New Yorker.
Klinik für Rehabilitation und Regenerative Medizin
Klinik für Rehabilitation und Regenerative Medizin
Was ist eine Repetitive Motion Injury (Repetitive Stress Injury)?
SBI Xpress Kreditdokumente, Berechtigung, Zinssatz, EMI, Online beantragen
SBI Xpress Kreditdokumente, Berechtigung, Zinssatz, EMI, Online beantragen
SBI Xpress-Kreditdarlehensdokumente, Berechtigung, Zinssatz, EMI, Online-Antrag, Online-Antragsformular, Zeit, Darlehensbetrag
e-Mentor-Programm
e-Mentor-Programm
Willkommen beim e-Mentor-Programm, das vom Career Design Lab und Alumni Relations der Columbia University School of Professional Studies gesponsert wird…