双重机器学习 中介效应 R语言教程

双重机器学习 中介效应 R语言教程

引用

CSDN

1.

https://blog.csdn.net/YZT_Research/article/details/141323619

双重机器学习（DML）是一种现代统计方法，用于在高维数据中进行因果推断。中介效应分析则用于研究一个变量如何通过另一个变量影响结果变量。本文将介绍如何使用R语言的causalweight包中的medDML函数进行双重机器学习的中介效应分析。

一、medDML函数

基于Farbmacher等（2022）、张涛和李均超（2023）的研究方法，本文将介绍如何使用R语言进行双重机器学习的中介效应分析，本文示例数据采用的是张涛和李均超（2023）的附件数据。

在双重机器学习中，中介效应的估计方法可以利用R语言的causalweight包中“medDML”函数进行估计，这个函数的解释说明在causalweight包的说明文档中有详细介绍：

medDML(
y,
d,
m,
x,
k = 3,
trim = 0.05,
order = 1,
multmed = TRUE,
fewsplits = FALSE,
normalized = TRUE
)  

具体参数的解释如下：

**y**   Dependent variable, must not contain missings.
**d**   Treatment, must be binary (either 1 or 0), must not contain missings.
**m**   Mediator, must not contain missings. May be a scalar or a vector of binary,
categorical, or continuous variables if multmed is TRUE. Must be a binary scalar
if multmed is FALSE.
**x**   (Potential) pre-treatment confounders of the treatment, mediator, and/or
outcome, must not contain missings.
**k**   Number of folds in k-fold cross-fitting if multmed is FALSE. k-1 folds are
 used for estimating the model parameters of the treatment, mediator, and outcome
equations and one fold is used for predicting the efficient score functions. The
roles of the folds are swapped. Default for k is 3. If multmed is TRUE, then
3-fold cross-va  

本文原文来自CSDN