第九章：中介分析与路径分析

在因果推断中，我们不仅关心处理对结果的总体影响，更想理解这种影响是如何产生的——通过什么机制或路径实现。中介分析（Mediation Analysis）为我们提供了打开因果"黑箱"的钥匙，帮助我们理解因果效应的传导机制。本章将系统介绍中介分析的理论框架、识别策略、敏感性分析方法，以及在复杂场景下的应用。

9.1 直接效应与间接效应

9.1.1 因果路径的分解

考虑一个简单的因果链：处理变量 $T$ 通过中介变量 $M$ 影响结果变量 $Y$。这个过程可以用以下因果图表示：

    T → M → Y
    ↘     ↗
      直接

在这个框架下，$T$ 对 $Y$ 的总效应（Total Effect, TE）可以分解为：

  • 直接效应（Direct Effect, DE）：$T$ 不经过 $M$ 直接对 $Y$ 的影响
  • 间接效应（Indirect Effect, IE）：$T$ 通过 $M$ 对 $Y$ 的影响

数学上，总效应可以表示为： $$\text{TE} = \text{DE} + \text{IE}$$

9.1.2 Baron-Kenny方法

Baron和Kenny（1986）提出的经典中介分析方法基于线性回归模型：

步骤1：检验 $T$ 对 $Y$ 的总效应 $$Y = c \cdot T + e_1$$ 步骤2：检验 $T$ 对 $M$ 的效应 $$M = a \cdot T + e_2$$ 步骤3：同时纳入 $T$ 和 $M$ 预测 $Y$ $$Y = c' \cdot T + b \cdot M + e_3$$ 其中：

  • 总效应 = $c$
  • 直接效应 = $c'$
  • 间接效应 = $a \times b$

9.1.3 Baron-Kenny方法的局限性

尽管Baron-Kenny方法直观易懂，但存在重要局限：

  1. 线性假设：假设所有关系都是线性的，无法处理非线性关系
  2. 无交互作用：假设处理和中介变量之间没有交互作用
  3. 时序混淆：没有明确考虑变量的时间顺序
  4. 因果识别不足：缺乏对混杂因素的系统考虑

9.2 中介效应的识别

9.2.1 潜在结果框架下的中介分析

使用Rubin因果模型的潜在结果框架，我们可以更严格地定义中介效应。对于每个个体 $i$，定义：

  • $Y_i(t, m)$：当处理为 $t$，中介变量为 $m$ 时的潜在结果
  • $M_i(t)$：当处理为 $t$ 时中介变量的潜在值

9.2.2 自然直接效应与间接效应

自然直接效应（Natural Direct Effect, NDE）定义为： $$\text{NDE} = E[Y(1, M(0)) - Y(0, M(0))]$$ 这表示保持中介变量在控制条件下的"自然"水平时，处理对结果的直接影响。

自然间接效应（Natural Indirect Effect, NIE）定义为： $$\text{NIE} = E[Y(1, M(1)) - Y(1, M(0))]$$ 这表示在处理条件下，中介变量变化带来的间接影响。

总效应可以分解为： $$\text{TE} = E[Y(1, M(1)) - Y(0, M(0))] = \text{NDE} + \text{NIE}$$

9.2.3 控制直接效应与间接效应

控制直接效应（Controlled Direct Effect, CDE）定义为： $$\text{CDE}(m) = E[Y(1, m) - Y(0, m)]$$ 这表示将中介变量固定在特定水平 $m$ 时的直接效应。

CDE与NDE的区别在于：

  • CDE：人为固定中介变量的值
  • NDE：允许中介变量取其"自然"值

9.2.4 识别假设

中介效应的因果识别需要以下关键假设：

  1. 无未测量混杂假设： - $(Y(t,m), M(t)) \perp!!!\perp T | X$ - $Y(t,m) \perp!!!\perp M | T, X$

  2. 时序一致性假设：处理发生在中介变量之前，中介变量发生在结果之前

  3. 交叉世界独立性假设： $$Y(t, m) \perp!!!\perp M(t') | X \quad \text{for all } t, t', m$$ 这是一个强假设，要求不同处理水平下的潜在结果和潜在中介变量值相互独立。

9.3 敏感性分析

中介分析的识别假设往往难以完全满足，特别是无未测量混杂假设。敏感性分析帮助我们评估违反这些假设时结论的稳健性。

9.3.1 未测量混杂的影响

考虑存在未测量混杂因素 $U$ 影响中介变量和结果：

    T → M → Y
        ↑   ↑
        U ──┘

这种情况下，传统的中介分析会产生偏差。敏感性分析的核心是量化这种偏差的大小。

9.3.2 敏感性参数

定义敏感性参数 $\rho$ 表示残差相关性： $$\rho = \text{Corr}(\epsilon_M, \epsilon_Y)$$ 其中 $\epsilon_M$ 和 $\epsilon_Y$ 分别是中介变量和结果变量回归模型的残差。

在线性模型下，间接效应的偏差可以表示为： $$\text{Bias}(\hat{IE}) = \rho \cdot \sigma_M \cdot \sigma_Y \cdot \frac{1}{\text{Var}(M|T,X)}$$

9.3.3 敏感性分析的实施步骤

  1. 设定敏感性参数范围：例如 $\rho \in [-0.3, 0.3]$
  2. 计算不同参数值下的效应估计：对每个 $\rho$ 值重新计算间接效应
  3. 绘制敏感性图：展示效应估计如何随敏感性参数变化
  4. 确定稳健性区间：找出使结论改变的参数阈值

9.3.4 基于E-value的敏感性分析

E-value是评估未测量混杂强度的另一种方法。对于中介分析，我们可以计算：

  • 使间接效应变为零所需的最小混杂强度
  • 使直接效应变为零所需的最小混杂强度

E-value越大，说明结果对未测量混杂越稳健。

9.4 多重中介模型

实际应用中，因果效应往往通过多个中介变量传导。多重中介模型帮助我们理解复杂的因果机制。

9.4.1 并行中介模型

在并行中介模型中，多个中介变量独立地传导处理效应：

      ┌→ M1 →┐
    T →  M2  → Y
      └→ M3 →┘

总的间接效应等于各路径间接效应之和： $$\text{IE}_{\text{total}} = \text{IE}_{M1} + \text{IE}_{M2} + \text{IE}_{M3}$$

9.4.2 串行中介模型

在串行中介模型中，中介变量之间存在因果关系：

    T → M1 → M2 → Y
    ↘       ↗
      直接

这种模型需要考虑：

  • $T \to M1 \to Y$ 的间接效应
  • $T \to M1 \to M2 \to Y$ 的间接效应
  • $T \to M2 \to Y$ 的间接效应（如果存在）

9.4.3 效应分解策略

对于复杂的多重中介模型，可以采用以下策略：

  1. 逐步分解法：逐个添加中介变量，观察效应变化
  2. 路径分析法：计算每条因果路径的贡献
  3. 结构方程模型：使用SEM同时估计所有路径

9.4.4 识别挑战

多重中介模型面临额外的识别挑战：

  • 中介变量间的混杂：需要控制影响多个中介变量的共同因素
  • 时序关系：确保中介变量的时间顺序正确
  • 交互效应：处理与不同中介变量的交互作用

9.5 行业案例：字节跳动内容质量对用户留存的影响机制

背景

字节跳动的短视频平台需要理解内容质量如何影响用户留存。管理层假设：高质量内容不仅直接提升用户满意度，还通过增加用户互动（点赞、评论、分享）间接影响留存率。

因果问题

  • 处理变量（T）：内容质量得分（基于算法评估的0-100分）
  • 中介变量（M）：用户互动率（点赞+评论+分享的综合指标）
  • 结果变量（Y）：7日留存率
  • 协变量（X）：用户画像、历史行为、时间特征等

因果图

内容质量 → 用户互动 → 7日留存
    ↘                ↗
         直接效应

潜在混杂：

- 用户偏好 → 内容质量选择 & 留存
- 时间趋势 → 互动率 & 留存

分析策略

第一步：数据准备

  • 收集100万用户的观看记录
  • 计算每个用户接触内容的平均质量分
  • 统计用户互动行为
  • 追踪7日留存情况

第二步：识别策略 利用推荐算法的随机性作为准实验：

  • 算法会随机展示不同质量的内容给用户
  • 控制用户特征后，内容质量分配近似随机

第三步：中介分析

1. 总效应模型：
   留存 = β₀ + β₁·内容质量 + γ·协变量 + ε

2. 中介变量模型：
   互动率 = α₀ + α₁·内容质量 + δ·协变量 + ε

3. 完整模型：
   留存 = θ₀ + θ₁·内容质量 + θ₂·互动率 + λ·协变量 + ε

分析结果

效应分解：

  • 总效应：内容质量每提升10分，留存率提升2.5%
  • 直接效应：1.0%（40%）
  • 间接效应（通过互动）：1.5%（60%）

路径分析：

  • 内容质量 → 互动率：质量每提升10分，互动率提升15%
  • 互动率 → 留存：互动率每提升10%，留存率提升1%

异质性分析：

  • 新用户：间接效应占比更高（70%）
  • 老用户：直接效应占比更高（55%）

敏感性分析

考虑未测量的用户兴趣偏好可能同时影响互动和留存：

  1. 基准估计：间接效应 = 1.5%
  2. 敏感性测试： - 弱混杂（ρ=0.1）：间接效应 = 1.3% - 中等混杂（ρ=0.2）：间接效应 = 1.1% - 强混杂（ρ=0.3）：间接效应 = 0.9%

结论：即使存在中等程度的未测量混杂，间接效应仍然显著。

业务启示

  1. 内容策略：提升内容质量是提高留存的有效手段
  2. 互动设计：优化互动功能可以放大内容质量的效果
  3. 用户分层：对新用户应更注重互动引导
  4. 算法优化：推荐算法应同时考虑内容质量和互动潜力

本章小结

中介分析是理解因果机制的重要工具，它帮助我们打开因果效应的"黑箱"，理解处理如何通过中间变量影响最终结果。

核心概念回顾

  1. 效应分解： - 总效应 = 直接效应 + 间接效应 - 自然效应 vs 控制效应

  2. 识别条件： - 无未测量混杂假设 - 时序一致性 - 交叉世界独立性

  3. 关键公式： - 自然直接效应：$\text{NDE} = E[Y(1, M(0)) - Y(0, M(0))]$ - 自然间接效应：$\text{NIE} = E[Y(1, M(1)) - Y(1, M(0))]$ - Baron-Kenny分解：$c = c' + ab$

  4. 敏感性分析： - 评估未测量混杂的影响 - 使用敏感性参数和E-value - 确定结论的稳健性边界

  5. 多重中介： - 并行中介：多条独立路径 - 串行中介：级联效应 - 复杂网络的路径分析

实践要点

  • 中介分析需要强假设，实践中应谨慎解释
  • 敏感性分析是必不可少的稳健性检验
  • 时间顺序和理论支撑对因果解释至关重要
  • 多重中介模型能更真实地反映复杂机制

练习题

基础题

习题9.1 Baron-Kenny方法的基本步骤

某研究考察教育年限（T）对收入（Y）的影响，假设工作技能（M）是中介变量。研究者进行了以下三个回归：

  • 回归1：Y = 5000T + ε，系数显著
  • 回归2：M = 2T + ε，系数显著
  • 回归3：Y = 2000T + 1500M + ε，两个系数都显著

请问： a) 根据Baron-Kenny方法，总效应、直接效应和间接效应分别是多少？ b) 中介效应占总效应的比例是多少？ c) 这是完全中介还是部分中介？

Hint：间接效应等于a×b，其中a是T对M的效应，b是控制T后M对Y的效应。

参考答案

a) 效应分解：

  • 总效应 = 5000（回归1的系数）
  • 直接效应 = 2000（回归3中T的系数）
  • 间接效应 = 2 × 1500 = 3000（a×b）
  • 验证：5000 = 2000 + 3000 ✓

b) 中介效应比例 = 3000/5000 = 60%

c) 这是部分中介，因为控制M后，T对Y仍有显著的直接效应（2000≠0）。如果直接效应为0，才是完全中介。

习题9.2 自然效应的理解

在一个员工培训项目中：

  • T = 1表示接受培训，T = 0表示未接受培训
  • M表示工作积极性（0-10分）
  • Y表示绩效评分（0-100分）

假设我们观察到：

  • E[M(1)] = 8，E[M(0)] = 5
  • E[Y(1,8)] = 85，E[Y(0,8)] = 75
  • E[Y(1,5)] = 70，E[Y(0,5)] = 60

请计算： a) 控制直接效应CDE(8)和CDE(5) b) 如果假设Y(t,m)是线性的，自然直接效应NDE是多少？

Hint：CDE(m) = E[Y(1,m) - Y(0,m)]；NDE需要考虑M在控制条件下的自然值。

参考答案

a) 控制直接效应：

  • CDE(8) = E[Y(1,8) - Y(0,8)] = 85 - 75 = 10
  • CDE(5) = E[Y(1,5) - Y(0,5)] = 70 - 60 = 10

注意：在线性模型下，CDE对所有m值都相同。

b) 自然直接效应： NDE = E[Y(1,M(0)) - Y(0,M(0))] 由于M(0)的期望值是5，在线性假设下： NDE = E[Y(1,5) - Y(0,5)] = 70 - 60 = 10

这个例子展示了在线性无交互模型下，CDE和NDE相等。

习题9.3 敏感性参数的计算

某中介分析研究发现：

  • 间接效应估计值 = 0.3
  • 中介变量残差标准差 σ_M = 2
  • 结果变量残差标准差 σ_Y = 5
  • Var(M|T,X) = 4

如果存在未测量混杂使得残差相关性ρ = 0.2，请问： a) 间接效应的偏差是多少？ b) 真实的间接效应是多少？ c) 如果要使间接效应变为0，需要多大的ρ？

Hint：使用偏差公式 Bias = ρ × σ_M × σ_Y / Var(M|T,X)

参考答案

a) 偏差计算： Bias = 0.2 × 2 × 5 / 4 = 0.2 × 10 / 4 = 0.5

b) 真实间接效应： 真实效应 = 观察效应 - 偏差 = 0.3 - 0.5 = -0.2

这表明如果存在这种程度的未测量混杂，真实的间接效应可能是负的！

c) 使间接效应为0的ρ： 设置 0.3 - ρ × 2 × 5 / 4 = 0 解得：ρ = 0.3 × 4 / 10 = 0.12

这意味着即使较小的残差相关性（ρ = 0.12）也足以完全解释观察到的间接效应。

挑战题

习题9.4 多重中介的路径分析

某在线教育平台研究课程设计（T）对学习成果（Y）的影响机制，考虑两个中介变量：

  • M1：学习参与度
  • M2：知识掌握度

假设因果结构为：T → M1 → M2 → Y，同时T对M2和Y都有直接影响。

通过路径分析得到以下标准化路径系数：

  • T → M1: 0.4
  • T → M2: 0.2
  • T → Y: 0.3
  • M1 → M2: 0.5
  • M1 → Y: 0.2
  • M2 → Y: 0.3

请问： a) 画出完整的路径图并标注所有系数 b) 计算T对Y的总效应 c) 分解出每条因果路径的贡献 d) 如果要最大化课程效果，应该重点改进哪个环节？

Hint：总效应等于所有从T到Y的路径效应之和。

参考答案

a) 路径图：

      0.4    0.5
   T ----→ M1 ----→ M2
   |        |        |
0.2|     0.2|     0.3|
   ↓        ↓        ↓
   M2 ←-----┘        Y
   |                 ^
0.3|              0.3|
   └-----------------┘

b) 总效应计算：

  • 直接路径：T → Y = 0.3
  • 间接路径1：T → M1 → Y = 0.4 × 0.2 = 0.08
  • 间接路径2：T → M2 → Y = 0.2 × 0.3 = 0.06
  • 间接路径3：T → M1 → M2 → Y = 0.4 × 0.5 × 0.3 = 0.06

总效应 = 0.3 + 0.08 + 0.06 + 0.06 = 0.50

c) 路径贡献分解：

  • 直接效应：60%（0.3/0.5）
  • 通过参与度（M1）：16%（0.08/0.5）
  • 通过知识掌握（M2）直接：12%（0.06/0.5）
  • 通过参与度影响知识掌握：12%（0.06/0.5）

d) 改进建议： 直接效应占60%，说明课程设计本身的质量最重要。在间接路径中，通过提高参与度的总贡献为28%（16%+12%），因此改进参与度激励机制是第二优先级。

习题9.5 交互作用下的中介分析

考虑一个包含处理-中介交互作用的模型： Y = β₀ + β₁T + β₂M + β₃T×M + ε

其中T是二元处理变量，M是连续中介变量。

给定参数估计：β₁ = 2, β₂ = 3, β₃ = 1，且E[M|T=1] = 4, E[M|T=0] = 2

请问： a) 为什么传统的Baron-Kenny方法不适用？ b) 计算控制直接效应CDE(m=3) c) 计算自然直接效应NDE和自然间接效应NIE d) 这个交互作用的实际含义是什么？

Hint：存在交互作用时，效应分解变得复杂，需要考虑不同m值下的效应。

参考答案

a) Baron-Kenny方法不适用的原因：

  • Baron-Kenny假设效应可加性（无交互作用）
  • 当存在T×M交互时，直接效应依赖于M的值
  • 简单的乘积法（a×b）不再给出正确的间接效应

b) CDE(m=3)计算： CDE(3) = E[Y|T=1,M=3] - E[Y|T=0,M=3] = (β₁ + β₃×3) - 0 = 2 + 1×3 = 5

c) 自然效应计算： NDE = E[Y(1,M(0))] - E[Y(0,M(0))] = β₁ + β₃×E[M(0)] = 2 + 1×2 = 4

NIE = E[Y(1,M(1))] - E[Y(1,M(0))] = (β₂ + β₃)×(E[M(1)] - E[M(0)]) = (3 + 1)×(4 - 2) = 4×2 = 8

总效应 = NDE + NIE = 4 + 8 = 12

d) 交互作用的含义： β₃ > 0表示处理和中介变量之间存在协同作用。具体来说：

  • 当M值较高时，处理的直接效应更强
  • 处理不仅通过改变M的水平影响Y，还改变了M对Y的影响强度
  • 这种交互可能反映了处理使个体对中介变量更加敏感

习题9.6 时变中介分析

某公司实施新管理制度（T），通过每月的员工满意度（M_t）影响年终离职率（Y）。数据收集了12个月的满意度。

思考以下问题： a) 如何定义时变中介效应？ b) 识别时变中介效应需要什么额外假设？ c) 如果早期满意度影响后期满意度，如何处理这种动态依赖？ d) 设计一个分析策略来估计不同时期满意度的中介作用

Hint：考虑将时间维度纳入因果图。

参考答案

a) 时变中介效应定义：

  • 将每个时期的满意度M_t视为独立的中介变量
  • 总间接效应 = Σ(t=1到12) IE_t
  • 其中IE_t是通过时期t满意度传导的间接效应

b) 额外识别假设：

  • 序列可忽略性：T ⊥ Y(t,m₁,...,m₁₂) | X
  • 无时变混杂：M_t ⊥ Y | T, M₁,...,M_{t-1}, X
  • 时间一致性：早期中介不受后期中介影响

c) 处理动态依赖：

  • 使用边际结构模型（MSM）处理时变混杂
  • 构建动态因果图：T → M₁ → M₂ → ... → M₁₂ → Y
  • 使用G-computation或IPW估计累积效应
  • 考虑滞后效应：M_t可能影响M_{t+k}

d) 分析策略：

  1. 第一阶段：估计处理对各期满意度的影响 M_t = α_t × T + γ_t × X + ε_t

  2. 第二阶段：使用结构方程模型 Y = β₀ + β_T × T + Σβ_t × M_t + δ × X + ε

  3. 时期特定间接效应： IE_t = α_t × β_t

  4. 时间模式分析：

    • 绘制IE_t随时间的变化曲线
    • 识别关键时期（如前3个月最重要）
    • 检验衰减模式：IE_t = θ × exp(-λt)

习题9.7 因果中介分析的假设检验

某研究声称发现了显著的中介效应，但你怀疑可能存在反向因果（Y影响M）。

设计一套诊断方法来检验中介分析的关键假设： a) 如何检验时序假设？ b) 如何检验无未测量混杂假设？ c) 如何检验反向因果的可能性？ d) 如果发现假设违反，有什么补救措施？

Hint：考虑使用工具变量、负对照等方法。

参考答案

a) 时序假设检验：

  • 收集纵向数据，确认T在M之前，M在Y之前
  • 交叉滞后面板模型：同时估计M_t → Y_{t+1}和Y_t → M_{t+1}
  • 事件研究：观察处理前后M和Y的动态变化
  • Granger因果检验：测试时间优先性

b) 无未测量混杂检验：

  • 负对照结果：使用不应受影响的结果变量
  • 负对照暴露：使用不应有因果效应的处理
  • E-value计算：量化需要多强的混杂才能解释效应
  • 多重中介对比：不同中介路径应给出一致结果

c) 反向因果检验：

  • 工具变量法：找到只影响T不直接影响M、Y的IV
  • 时间反转测试：用未来的Y预测过去的M
  • 安慰剂测试：在处理前的时期进行分析
  • 双向中介分析：同时估计T→M→Y和T→Y→M

d) 补救措施：

  • 时序问题：收集更细粒度的时间数据
  • 未测量混杂：
    • 进行全面的敏感性分析
    • 寻找工具变量或自然实验
    • 使用匹配或加权减少混杂
  • 反向因果：
    • 使用滞后变量打破同期相关
    • 寻找外生冲击作为识别策略
    • 考虑联立方程模型
  • 模型设定：
    • 检验线性假设，考虑非参数方法
    • 允许交互作用和非线性关系
    • 使用机器学习方法估计复杂关系

常见陷阱与错误

1. 概念混淆

错误：混淆统计中介和因果中介

  • 症状：仅因为回归系数显著就声称存在中介效应
  • 问题：统计关联不等于因果关系
  • 正确做法：明确因果假设，使用因果推断框架

错误：混淆自然效应和控制效应

  • 症状：随意使用NDE和CDE，不理解其区别
  • 问题：两者回答不同的因果问题
  • 正确做法：
  • CDE：人为固定中介变量时的效应
  • NDE：允许中介变量自然变化时的效应

2. 识别假设违反

错误：忽视时序要求

  • 症状：使用横截面数据进行中介分析
  • 问题：无法确定因果方向
  • 调试技巧：
检查清单：

1. T是否发生在M之前？
2. M是否发生在Y之前？
3. 是否存在反向因果？

错误：忽略处理后混杂

  • 症状：T影响未观测变量U，U同时影响M和Y
  • 问题：违反交叉世界独立性假设
  • 示例：
错误路径：T → U → M
              ↓
              Y
  • 解决方案：考虑敏感性分析或工具变量方法

3. 模型设定错误

错误：强加线性假设

  • 症状：对明显非线性关系使用线性模型
  • 问题：效应分解可能完全错误
  • 调试方法： 1. 绘制散点图检查线性关系 2. 添加多项式项或使用样条 3. 考虑非参数中介分析

错误：忽略交互作用

  • 症状：当T×M交互显著时仍使用Baron-Kenny方法
  • 问题：间接效应估计有偏
  • 正确做法：使用考虑交互的中介分析方法

4. 多重中介的陷阱

错误：忽略中介变量间的相关性

  • 症状：将相关的中介变量当作独立路径
  • 问题：重复计算某些效应
  • 解决方案：使用结构方程模型正确建模相关性

错误：错误的因果顺序

  • 症状：M₁ → M₂的方向设定错误
  • 调试技巧：
  • 使用领域知识确定顺序
  • 进行时间顺序检验
  • 尝试不同顺序进行敏感性检验

5. 解释错误

错误：过度解释间接效应

  • 症状："60%的效应通过M传导"被解释为因果机制
  • 问题：比例依赖于模型设定和测量
  • 正确解释：强调这是在特定假设下的分解

错误：忽视实质重要性

  • 症状：仅关注统计显著性
  • 问题：统计显著不等于实际重要
  • 评估标准：
  • 效应大小是否有实际意义？
  • 是否稳健于不同设定？
  • 是否符合理论预期？

6. 敏感性分析不足

错误：不进行敏感性分析

  • 症状：报告点估计，忽略假设违反的影响
  • 问题：结论可能完全被未测量混杂推翻
  • 必做检查： 1. 计算E-value 2. 进行相关性敏感性分析 3. 使用多种识别策略

7. 样本量和检验力问题

错误：样本量不足检测间接效应

  • 症状：间接效应不显著就认为无中介
  • 问题：间接效应的检验力通常较低
  • 解决方案：
  • 使用bootstrap方法
  • 计算所需样本量
  • 考虑贝叶斯方法

最佳实践检查清单

研究设计阶段

□ 理论基础

  • [ ] 有明确的理论支持中介机制
  • [ ] 因果链条在逻辑上合理
  • [ ] 时间顺序符合因果逻辑

□ 变量选择

  • [ ] 中介变量在概念上明确
  • [ ] 测量具有良好的信效度
  • [ ] 考虑了所有重要的混杂因素

□ 数据要求

  • [ ] 有时间维度（纵向数据优于横截面）
  • [ ] 样本量足够检测间接效应
  • [ ] 变量分布适合分析方法

分析实施阶段

□ 初步检查

  • [ ] 检验T对Y的总效应是否存在
  • [ ] 检查变量分布和异常值
  • [ ] 评估线性假设的合理性

□ 模型选择

  • [ ] 根据变量类型选择合适方法
  • [ ] 考虑是否需要包含交互项
  • [ ] 对于多重中介，明确因果结构

□ 识别策略

  • [ ] 明确陈述所有识别假设
  • [ ] 讨论假设的合理性
  • [ ] 考虑替代识别策略

□ 稳健性检验

  • [ ] 使用多种估计方法
  • [ ] 尝试不同的模型设定
  • [ ] 进行子样本分析

敏感性分析阶段

□ 未测量混杂

  • [ ] 计算E-value或相似指标
  • [ ] 进行相关性敏感性分析
  • [ ] 使用负对照进行检验

□ 模型假设

  • [ ] 检验函数形式假设
  • [ ] 评估交互作用的影响
  • [ ] 考虑测量误差的影响

□ 因果方向

  • [ ] 进行反向因果检验
  • [ ] 使用工具变量（如可能）
  • [ ] 进行时间安慰剂检验

结果报告阶段

□ 效应报告

  • [ ] 报告总效应、直接和间接效应
  • [ ] 提供置信区间或可信区间
  • [ ] 报告效应量和实际重要性

□ 假设说明

  • [ ] 清楚列出所有识别假设
  • [ ] 讨论假设可能的违反
  • [ ] 说明对结论的影响

□ 敏感性结果

  • [ ] 报告敏感性分析结果
  • [ ] 提供稳健性边界
  • [ ] 诚实讨论局限性

□ 可重复性

  • [ ] 提供详细的方法描述
  • [ ] 报告所用软件和版本
  • [ ] 考虑提供代码和数据（如可能）

解释与应用阶段

□ 因果解释

  • [ ] 避免过度因果化统计关联
  • [ ] 强调估计的不确定性
  • [ ] 讨论替代解释

□ 实践意义

  • [ ] 联系实际问题
  • [ ] 讨论干预意义
  • [ ] 提供可行建议

□ 未来研究

  • [ ] 指出当前研究的局限
  • [ ] 建议改进方向
  • [ ] 提出新的研究问题

特殊情况检查

□ 多重中介

  • [ ] 路径是否都有理论支持
  • [ ] 是否考虑了中介间的相关
  • [ ] 顺序是否合理

□ 时变中介

  • [ ] 是否正确处理时变混杂
  • [ ] 使用合适的估计方法
  • [ ] 考虑动态效应

□ 交互作用

  • [ ] 是否检查了T×M交互
  • [ ] 使用正确的分解方法
  • [ ] 解释是否恰当

记住：中介分析的目标是理解因果机制，而不仅仅是统计分解。每个步骤都应该服务于这个核心目标。