在中介分析中控制大量测量混杂因素的影响：贝叶斯模型平均法、LASSO方法和路径分析的比较

《Structural Equation Modeling: A Multidisciplinary Journal》：Controlling for Large Sets of Measured Confounders in Mediation Analysis: Comparison of Bayesian Model Averaging, the LASSO, and Path Analysis

中介分析研究比较了路径分析、LASSO和BMA在单中介模型中的效果，发现路径分析偏差小、覆盖充分，而LASSO和BMA在共变量效应小时可能产生偏差和Ⅰ型错误。以PROsetta Stone项目为例验证了方法应用。

　　

摘要

中介分析用于识别将自变量（解释变量）的影响传递给因变量（响应变量）的中间变量。在因果中介分析中，忽略相关的混杂因素可能导致对效应的估计产生偏差。然而，在模型中包含过多混杂因素可能会增加估计量的方差。本文通过路径分析、LASSO和贝叶斯模型平均（BMA）三种方法，比较了单一中介模型中因果效应的偏差、效率、功效、I型错误率以及覆盖率。研究结果表明，路径分析能够得到无偏估计，并具有适当的覆盖率及合理的I型错误率；而BMA和LASSO虽然具有更高的功效，但在混杂因素对变量的影响较小时，会出现过度偏差和I型错误率的情况。PROsetta Stone项目中的一个实例展示了所有这些方法的应用。