告别sgmediation！Stata中介效应分析新选择：mediation包完整操作指南

从 sgmediation 到 mediation：Stata 中介效应分析的范式升级与实战指南

如果你在 Stata 里做过中介效应分析，大概率用过 sgmediation 这个命令。它简单、直接，一度是许多研究者的首选。但当你需要将结果呈现在一篇严谨的学术论文，尤其是面对审稿人关于“未观测混杂”的质询时，sgmediation 的局限性就暴露无遗——它无法告诉你，你的中介效应结果到底有多“稳健”。

这正是我们今天要讨论的 mediation 包（Stata 官方命令为 medeff 和 medsens）的核心价值所在。它不仅仅是一个替代品，更代表了一种分析范式的升级：从简单的效应检验，转向对效应可靠性和敏感性的深度评估。这套由 Kosuke Imai 等学者开发的工具，早已在 R 语言社区被广泛验证，如今其 Stata 版本也已登上 Stata Journal，成为追求发表级分析质量的研究者不可或缺的利器。本文将带你彻底告别旧有习惯，完整掌握这套新工具，从安装、基础分析到绘制专业的敏感性分析图，一步步构建更坚实、更具说服力的实证证据。

1. 为何需要超越 sgmediation？理解中介效应分析的深层挑战

sgmediation 命令基于经典的 Baron and Kenny (1986) 逐步法框架，其逻辑清晰易懂：先检验 X 对 M 的效应（路径 a），再检验 M 对 Y 的效应（路径 b），最后检验 X 对 Y 的直接效应（路径 c'）。如果 a 和 b 显著，且 c' 的绝对值小于总效应 c，则存在中介效应。

这个方法直观，但存在几个根本性的局限：

1. 因果推断的脆弱性：逐步法本质上是一系列回归的叠加，它严重依赖于一个强假设——不存在未观测的混淆变量。也就是说，除了我们控制的协变量，没有其他因素同时影响中介变量 M 和结果变量 Y。在实际社会科学研究中，这个假设几乎不可能完全满足。
2. 缺乏对效应“稳健性”的量化：sgmediation 告诉你效应“是否存在”（基于统计显著性），但无法回答“这个效应有多可靠”？如果存在一个未观测的混淆变量，需要它和 M、Y 的相关性达到多大，才能让我们的中介效应结论失效？
3. 对模型形式的灵活性不足：当结果变量 Y 是二分类、计数数据时，sgmediation 的处理不够优雅，而 mediation 包可以自然地处理 logit、probit、poisson 等多种模型。

mediation 包（通过 medeff 和 medsens 命令）的核心贡献，正是引入了 敏感性分析（Sensitivity Analysis）。它通过一个名为 ρ（rho） 的敏感性参数，量化未观测混淆的潜在影响。简单来说，ρ 衡量了未观测混淆变量与中介变量 M 的残差、以及与结果变量 Y 的残差之间的相关性。ρ=0 意味着没有未观测混淆（理想情况）；ρ 的绝对值越大，说明需要存在的未观测混淆越强，才能推翻你的结论。

因此，一个完整的中介分析报告，不仅应汇报点估计值和置信区间，还应汇报：在多大的 ρ 值下，中介效应（ACME）的置信区间会包含 0。这为你的结论提供了透明的“稳健性证书”。

提示：敏感性分析并非要证明你的模型完美无缺，而是诚实地展示其结论对潜在假设偏离的承受能力。这在顶级期刊的审稿中越来越成为标配。

2. 环境搭建与数据准备：安装 medeff 并理解分析框架

2.1 命令安装与确认

mediation 包在 Stata 中的官方编号是 st0243。安装非常简单，无需手动下载文件。

* 方法一：通过 findit 命令查找并安装
findit medeff

* 在弹出的查看器中，找到 st0243 并点击链接安装。
* 或者，直接使用 ssc 命令安装（如果作者已上传至 SSC）
* ssc install st0243, replace

安装完成后，可以通过 help medeff 和 hel