突破基线靶标调节中介模型（BTMM）研究困境：多变量下的方法探索与实践

研究人员为解决 BTMM 在多变量下的难题，探索两种统计方法并实证，为 BTMM 发展提供助力。

　　近期，基线靶标调节中介模型（Baseline Target Moderated Mediation，BTMM）在预防科学领域备受关注。预防科学家对 BTMM 感兴趣，是因为该模型不仅能判断干预措施是否有效，还能详细说明干预如何发挥作用以及对哪些人最为有效。在 BTMM 中，基线测量用于探究潜在的 “基线 × 处理（baseline-by-treatment）” 交互作用。然而，BTMM 面临一些重要挑战，包括在确定从干预中获益最大的亚组时如何纳入多个调节变量，以及在存在多个调节变量的情况下如何解释亚组效应 。此外，随着因果中介分析的出现，探究潜在的 “处理 × 中介（treatment-by-mediator）” 交互作用变得很重要，这种交互作用使干预组之间后测中介变量与结果变量的关系大小有所不同。很少有方法学进展能解决在存在多个 “基线 × 处理” 交互作用和 “处理 × 后测中介变量” 交互作用时评估 BTMM 的挑战。如果目标是识别对干预反应更好或更差的个体亚组，那么使用一种既能处理众多可能的交互作用，又能捕捉感兴趣亚组内异质性的方法至关重要。本文有三个目标：第一，阐述存在多个调节变量时中介效应的方法学挑战和实质解释；第二，介绍两种在存在多个调节变量时估计条件中介效应的统计方法；第三，将这些方法应用于 ATLAS 研究的一个实证案例，并讨论对 BTMM 的意义。