sgmediation2 是用户编写的 Stata 命令，用于对线性回归模型的统计中介进行 Sobel-Goodman 检验。 sgmediation2 是我对原始命令 sgmediation 的更新（经许可），由 UCLA 统计咨询小组的 Phil Ender 编写。

命令主页

sgmediation2帮助文件主页

安装说明

要在 Stata 中安装：

安装后，要阅读帮助文件（也可在此处获得）

那些受过更多教育的人往往报告健康状况更好。一个可能的中介解释是，更多的教育会带来更高的收入，这反过来又与更好的健康有关（出于很多原因）。

在此示例中，我们还希望控制受访者的年龄、性别和种族民族。

要使用 Sobel-Goodman 中介检验来检验此解释，请首先加载示例数据集。

默认情况下，sgmediation2 将仅使用模型中所有变量上不缺失的观测值。最好在使用 sgmediation2 之前自行处理缺失的数据。sgmediation2 允许将插补数据相乘 。在这里，我们使用列表删除：

现在，我们可以使用 sgmediation2 来估计所有三个必要的模型，并输出所有统计数据的表格。有关详细信息，请参阅 sgmediation2 帮助文件。该命令的基本语法是：

其中，上面的斜体字将被替换为感兴趣的变量 dependent, focal independent, and mediator variables of interest.

在我们的示例中，我们指定的唯一附加选项是 cv（ ），它允许我们包含控制变量列表。

结果为：

尽管上面显示了许多重要的结果，但总结一下：

a和b路径均显著，p < 0.001，表明教育与更高的收入相关，而更高的收入与更好的健康相关——支持所提出的中介关系。

第一个“Sobel-Goodman中介检验”表中显示的a*b（间接效应）的所有三个检验都显示出非常小的p值（p < .001），这为收入中介教育对健康的影响的解释提供了支持。

在考虑收入后，教育的影响降低了约14%。从理论上讲，这表明教育对健康的影响中约有14%是由教育对收入的间接影响来解释的。

下面的示例提供了间接效应、直接效应和总效应的自举估计值。其他统计信息可以使用 sgmediation2 bootstrap

结果为：

Survey weights and multiply-imputed data

Alternative variance estimators