Mediation mit ado -khb-
Verfasst: Mo 28. Okt 2013, 14:55Liebe alle,
ich rechne ein Mediationsmodell mit dem ado -khb-.
Die abhängige Variable ist employed (binär), die kausalen Variablen sind age_sci und time_sci (beide stetig), die Mediatoren sind pressure, urinary, pain, spasticity, bladder, bowel
(alle binär). Und dann gibt es noch ein paar Kontrollvariablen. Der Befehl sieht dann folgendermassen aus:
khb logit employed ///
age_sci time_sci ///
|| pressure urinary pain spasticity bladder bowel ///
, concomitant(male married i.edu_cat paraplegic complete) summary disentangle or
Meine Ergebnisse sind dann diese hier:
Decomposition using the KHB-Method
Model-Type: logit
Number of obs = 981
Variables of Interest: age_sci time_sci
Pseudo R2 = 0.13
Z-variable(s): pressure urinary pain spasticity bladder bowel
Concomitant: male married i.edu_cat paraplegic complete
employed
ts1_age_sci or Std.Err. z P>z [95% Conf. Interval]
Reduced 0.963 0.007 -4.910 0.000 0.949 0.978
Full 0.970 0.007 -3.990 0.000 0.955 0.984
Diff 0.993 0.002 -2.990 0.003 0.989 0.998
ts1_time_since_sci
Reduced 0.999 0.001 -2.140 0.032 0.997 1.000
Full 0.999 0.001 -1.590 0.112 0.998 1.000
Diff 1.000 0.002 -0.210 0.835 0.996 1.003
Summary of confounding
Conf_ratio Conf_Pct Resc_Fact
age_sci 1.217 17.800 1.029
time_sci 1.343 25.540 1.036
Components of Difference
Z-Variable Coef Std_Err P_Diff P_Reduced
ts1_age_sci
pressure -0.0007 0.0006 10.39 1.85
urinary 0.0001 0.0008 -1.24 -0.22
pain -0.0060 0.0017 89.02 15.85
spasticity -0.0001 0.0003 1.36 0.24
bladder 0.0002 0.0005 -2.39 -0.43
bowel -0.0002 0.0003 2.85 0.51
ts1_time_s~i
pressure -0.0001 0.0001 20.75 5.3
urinary 0.0000 0.0001 0.33 0.08
pain -0.0003 0.0001 73.33 18.73
spasticity 0.0000 0.0000 3.73 0.95
bladder 0.0000 0.0000 -2.05 -0.52
bowel 0.0000 0.0000 3.92 1
Was ich nicht verstehe - wie können in der dritten Tabelle (Components of Difference) in den letzten beiden Spalten (Prozente) negative Zahlen enthalten sein? Allgemein finde ich die Interpretation der Ergebnisse schwierig...vielleicht könnt Ihr mir weiter helfen??
Vielen lieben Dank!
ich rechne ein Mediationsmodell mit dem ado -khb-.
Die abhängige Variable ist employed (binär), die kausalen Variablen sind age_sci und time_sci (beide stetig), die Mediatoren sind pressure, urinary, pain, spasticity, bladder, bowel
(alle binär). Und dann gibt es noch ein paar Kontrollvariablen. Der Befehl sieht dann folgendermassen aus:
khb logit employed ///
age_sci time_sci ///
|| pressure urinary pain spasticity bladder bowel ///
, concomitant(male married i.edu_cat paraplegic complete) summary disentangle or
Meine Ergebnisse sind dann diese hier:
Decomposition using the KHB-Method
Model-Type: logit
Number of obs = 981
Variables of Interest: age_sci time_sci
Pseudo R2 = 0.13
Z-variable(s): pressure urinary pain spasticity bladder bowel
Concomitant: male married i.edu_cat paraplegic complete
employed
ts1_age_sci or Std.Err. z P>z [95% Conf. Interval]
Reduced 0.963 0.007 -4.910 0.000 0.949 0.978
Full 0.970 0.007 -3.990 0.000 0.955 0.984
Diff 0.993 0.002 -2.990 0.003 0.989 0.998
ts1_time_since_sci
Reduced 0.999 0.001 -2.140 0.032 0.997 1.000
Full 0.999 0.001 -1.590 0.112 0.998 1.000
Diff 1.000 0.002 -0.210 0.835 0.996 1.003
Summary of confounding
Conf_ratio Conf_Pct Resc_Fact
age_sci 1.217 17.800 1.029
time_sci 1.343 25.540 1.036
Components of Difference
Z-Variable Coef Std_Err P_Diff P_Reduced
ts1_age_sci
pressure -0.0007 0.0006 10.39 1.85
urinary 0.0001 0.0008 -1.24 -0.22
pain -0.0060 0.0017 89.02 15.85
spasticity -0.0001 0.0003 1.36 0.24
bladder 0.0002 0.0005 -2.39 -0.43
bowel -0.0002 0.0003 2.85 0.51
ts1_time_s~i
pressure -0.0001 0.0001 20.75 5.3
urinary 0.0000 0.0001 0.33 0.08
pain -0.0003 0.0001 73.33 18.73
spasticity 0.0000 0.0000 3.73 0.95
bladder 0.0000 0.0000 -2.05 -0.52
bowel 0.0000 0.0000 3.92 1
Was ich nicht verstehe - wie können in der dritten Tabelle (Components of Difference) in den letzten beiden Spalten (Prozente) negative Zahlen enthalten sein? Allgemein finde ich die Interpretation der Ergebnisse schwierig...vielleicht könnt Ihr mir weiter helfen??
Vielen lieben Dank!