中介效应分析图解：医生必读的因果推断新工具

引言Introduction

中介效应分析，是把“为什么会发生”讲清楚的方法。对临床医生、医学生和科研人员来说，痛点很明确，相关性研究很多，但机制链条常常说不透。如果不能区分直接效应和间接效应，课题设计、结果解释和论文写作都会失焦。

1. 中介效应分析到底解决什么问题

1.1 从“有关联”走向“解释机制”

很多研究只能回答“X和Y有关”，却不能回答“X为什么影响Y”。中介效应分析的价值，就在于把总效应拆开。

总效应 = 直接效应 + 间接效应。
其中，间接效应就是通过中介变量M传递的那一部分效应。

例如，肥胖与高血压相关。若进一步发现“胰岛素抵抗”位于中间链条上，那么研究就不只是描述相关性，而是在解释路径。这样的结果更适合用于机制研究和课题申报。

1.2 它适合哪些临床问题

中介效应分析常用于以下问题：

• 暴露是否通过某个生物标志物影响结局。
• 药物是否通过降低炎症水平改善预后。
• 遗传暴露是否经由代谢通路影响疾病风险。
• 行为因素是否通过睡眠、免疫或代谢环节改变结局。

对临床研究而言，它最重要的意义是把“现象”拆成“路径”。 这能帮助你回答审稿人常问的那一句：机制在哪里。

2. 中介效应分析的核心图解

2.1 标准模型长什么样

经典中介模型通常包含三类变量：

• X，暴露变量。
• M，中介变量。
• Y，结局变量。

路径关系分为三条：

1. X 影响 Y，这是总效应。
2. X 影响 M。
3. M 影响 Y。

如果在控制 M 后，X 对 Y 的效应明显减弱，说明 M 可能承担了部分中介作用。但“减弱”不等于“证明”，必须结合统计检验。

2.2 需要看的三个效应

做中介效应分析时，通常要关注三项：

• 总效应 ，X 对 Y 的整体影响。
• 直接效应 ，在控制 M 后，X 对 Y 的剩余影响。
• 间接效应 ，X 通过 M 影响 Y 的路径效应。

常见表达是：

总效应 = 直接效应 + 间接效应。

如果间接效应显著，说明中介路径成立。若直接效应也显著，则属于部分中介。若直接效应不显著，则可能更接近完全中介，但仍需谨慎解读。

2.3 图上最容易误解的地方

很多人会把“中介变量”当成“混杂变量”。这两者不能混。

• 混杂变量，往往同时影响 X 和 Y。
• 中介变量，位于 X 到 Y 的路径中间。

把中介当混杂去调整，可能会把真实机制路径“调没了”。
这也是为什么做因果推断时，变量角色必须先定义清楚。

3. 统计上怎么做才更稳妥

3.1 经典回归法的基本思路

传统中介分析常基于回归模型，分步估计路径系数。最常见的框架包括：

• 先检验 X 对 Y 的总效应。
• 再检验 X 对 M 的影响。
• 最后在模型中同时纳入 X 和 M，观察 M 对 Y 的作用，以及 X 的效应是否变化。

这种方法直观，适合入门。但它隐含一些前提，比如线性关系、模型设定合理、无严重未测混杂。

3.2 为什么只看P值不够

中介分析中，P值显著并不等于结论可靠。因为中介路径常受以下因素影响：

• 样本量不足，导致估计不稳定。
• 变量测量误差，削弱效应。
• 共线性，影响系数判断。
• 未控制的混杂，造成假中介。

特别是在样本较小的研究中，间接效应的置信区间比单纯P值更重要。
建议同时报告效应值、95%置信区间和敏感性分析。

3.3 Bootstrap为什么常被推荐

在实际研究中，Bootstrap法经常用于中介效应显著性检验。原因很直接，它对间接效应的分布假设要求更少。

常见做法是重复抽样后，计算间接效应的置信区间。
如果95%置信区间不跨0，通常认为间接效应显著。

这比只依赖正态分布假设更稳妥。
对于医学数据这种偏态、离散或非理想分布较多的场景，Bootstrap更实用。

4. 在孟德尔随机化里，中介效应分析怎么用

4.1 为什么MR和中介分析很适配

在观察性研究里，中介分析容易被混杂和反向因果干扰。
而孟德尔随机化利用遗传变异作为工具变量，可以在一定程度上缓解这些问题。

MR中的中介效应分析，通常用于回答：

• 遗传暴露是否通过某个生物标志物影响疾病。
• 某条代谢通路是否处于因果链中。
• 暴露对结局的效应，有多少比例由中介解释。

这使中介效应分析从“相关链条”升级为“因果链条”。

4.2 工具变量筛选是前提

MR中，工具变量必须满足三个核心假设：

1. 与暴露相关。
2. 与混杂因素独立。
3. 不通过暴露之外的路径影响结局。

如果工具变量本身不稳，中介分析再复杂也不可靠。
因此，先选对SNP，再谈中介路径，顺序不能反。

4.3 常见稳健性方法

在MR中介分析里，常会看到以下方法：

• MR-Egger ，可用于检测潜在的方向性多效性，但标准误往往较大，解释要谨慎。
• MR-PRESSO ，用于识别并校正异常SNP带来的多效性偏移。
• 异质性检验 ，判断不同工具变量的效应是否一致。
• 留一法分析 ，观察单个SNP是否驱动结果。

其中，MR-PRESSO的价值很突出。 它通过检测、校正和稳健性检验三个模块，提升中介效应分析的准确性，尤其适合复杂因果路径。

5. 论文里怎么写，课题里怎么用

5.1 结果呈现要清楚

一篇好的中介分析文章，结果部分至少要写清楚：

• 暴露变量和中介变量的定义。
• 总效应、直接效应、间接效应的估计值。
• 中介比例。
• 置信区间和P值。
• 敏感性分析结果。

不要只写“存在中介作用”，而要写“通过何种通路、解释了多少比例”。
这会让文章更像机制研究，而不是简单的统计演示。

5.2 选题时怎么提高命中率

适合做中介分析的课题，通常有三个特征：

• 暴露和结局之间已有较强证据。
• 中间环节有明确生物学合理性。
• 中介变量有较好的可测量性。

比如炎症因子、代谢指标、表观遗传标记、蛋白水平等，都是常见选择。
如果能结合MR、共定位分析、通路富集或蛋白互作网络，整条证据链会更完整。

5.3 解螺旋能帮你把链条搭起来

很多人卡在不是不会算，而是不知道怎么把“暴露-中介-结局”设计成一个可发表的研究框架。
解螺旋可以帮助你把中介效应分析、MR工具变量筛选、稳健性检验和结果可视化串成一条完整路径。
对想做课题、申基金、写SCI的人来说，这比单点技巧更关键。

总结Conclusion

中介效应分析不是单纯的统计技巧，而是临床研究中理解因果链条的重要工具。它能帮助你区分总效应、直接效应和间接效应，进一步回答“为什么会这样”。在观察性研究中，要警惕混杂和反向因果。在MR框架下，则要重视工具变量筛选、MR-Egger和MR-PRESSO等稳健性方法。真正有价值的研究，不只是发现关联，而是解释路径。 如果你希望把中介效应分析做成更规范、更能发表的研究，建议尽早借助解螺旋，把设计、分析和写作一次打通。