中介变量(mediator) 是一个重要的统计概念，如果自变量 X 通过某一变量 M 对因变量 Y 产生一定影响，则称 M 为 X 和 Y 的中介变量。我们既往已经介绍了《R语言基于mediation包行中介效应分析分析》，
我目前编写了scimed函数，函数依托mediation包计算，进一步简化流程，帮助粉丝更简单的完成中介分析，下面我来演示一下，先导入数据和R包
library(scitable)library(mediation)data(jobs)
这个是mediation包自带的数据，这是一个求职干预研究数据，job_disc：经济困难程度预处理值为1至5，comply: 参与者是否实际参与JOBS II计划的指标变量，1=参与，treat：参与分配，work1：是否就业，sex性别，age:年龄
咱们先来一个中介和结局是分类变量，这里定义：treat是研究变量，comply是中介变量，work1是结局变量，‘econ_hard’,‘sex’,'age’是协变量，这里注意一下，由于mediation包的限制，中介变量必须是二分类变量，如果你用多分类变量，很容易报错
out<-scimed(data=jobs,xvname='treat',mvname='comply',yvname='work1',cov=c('econ_hard','sex','age'))结果在out里面，生成了一个示意图，省了一点画图时间
med.out是mediation包生成的原始结果，咱们有需要的也可以根据这个进一步分析
med.out<-out[["med.out"]]plot(med.out)
咱们还可以给示意图自定义变量名字
out<-scimed(data=jobs,xvname='treat',mvname='comply',yvname='work1',cov=c('econ_hard','sex','age'),x="自变量",y="结局",m="中介")
接下来来个：中介是分类变量，结局是连续变量，这里中介和上面一样必须是二分类变量，如果不是二分类的就会报错
out<-scimed(data=jobs,xvname='treat',mvname='work1',yvname='depress2',cov=c('econ_hard','sex','age'))
最后来个中介和结局都是连续变量
out<-scimed(data=jobs,xvname='treat',mvname='job_seek',yvname='depress2',cov=c('econ_hard','sex','age'))
这样各个类型都覆盖了，祝大家新年快乐，心想事成。
