在lavaan中拟合调节中介模型的方法及代码正确性验证

问题背景 #

需拟合调节中介模型：在经典X→M→Y中介模型基础上，加入调节变量W，让W调节M对Y的影响路径（即M→Y的效应随W取值变化而改变）。用户已掌握基础中介模型的Lavaan代码，现需验证自行修改的调节中介代码正确性。

基础中介模型代码 #

set.seed(1234)
X <- rnorm(100)
M <- 0.5*X + rnorm(100)
Y <- 0.7*M + rnorm(100)
W <- 0.3*M + rnorm(100)
data <- data.frame(X = X, Y = Y, M = M, W = W)
data$MW <- data$M * data$W

model <- ' # direct effect
             Y ~ c*X
           # mediator
            Y ~ b*M
            M ~ a*X

           # indirect effect (a*b)
             ab := a*b
           # total effect
             total := c + (a*b)
             Y ~~ Y
             M ~~ M
         '
fit <- sem(model, data = data)
summary(fit, standardized=T)

Plot <- semPaths(fit, whatLabels = "est",
                 sizeMan = 10,
                 edge.label.cex = 1.15,
                 style = "ram",
                 nCharNodes = 0, nCharEdges = 0)

用户修改后的调节中介模型代码 #

set.seed(1234)
X <- rnorm(100)
M <- 0.5*X + rnorm(100)
Y <- 0.7*M + rnorm(100)
W <- 0.3*M + rnorm(100)
data <- data.frame(X = X, Y = Y, M = M, W = W)
data$MW <- data$M * data$W
data <-as.data.frame(scale(data, scale=FALSE))
describe(data)

model <- ' # direct effect
             Y ~ 1+ c*X + w*W +wb*MW
           # mediator
            Y ~ b*M 
            M ~ a*X

           # indirect effect (a*b)
             ab := a*b
             wab := a*wb
             
           # total effect
             total := c + w + wb+ (a*b)
            #Variances an correlations
             Y ~~ Y
             M ~~ M
             X ~~ X
             MW~~MW
             MW ~~ X
             MW ~~ W
            X ~~ W
         '
fit <- sem(model, data = data)
summary(fit, standardized=T)

Plot <- semPaths(fit, whatLabels = "est",
                 sizeMan = 10,
                 edge.label.cex = 1.15,
                 style = "ram",
                 nCharNodes = 0, nCharEdges = 0)

代码问题分析与修正建议 #

存在的问题 #

1. 总效应公式错误：total := c + w + wb+ (a*b)不符合调节中介逻辑。总效应是X对Y的整体影响，应为直接效应c加上条件间接效应（即a*(b + wb*W)），而非简单叠加W和MW的效应系数。
2. 冗余的方差协方差设定：Lavaan默认自动估计所有观测变量的方差和协方差，手动添加Y~~Y、MW~~X等语句属于冗余操作，除非需要固定某个方差/协方差取值，否则无需额外指定。
3. 模型语句可简化：Y的预测路径可合并书写，更清晰直观。
4. 条件间接效应定义不完整：仅定义wab := a*wb不够，需明确不同W取值下的间接效应（如W取均值、均值±1SD时的效应），才能体现调节作用的核心。

修正后的代码 #

set.seed(1234)
X <- rnorm(100)
M <- 0.5*X + rnorm(100)
W <- 0.3*M + rnorm(100)
# 生成数据时加入调节效应，让模拟数据更贴合模型
Y <- 0.7*M + 0.2*M*W + rnorm(100)  
data <- data.frame(X = X, Y = Y, M = M, W = W)

# 中心化变量（避免交互项多重共线性，原代码这一步正确，建议保留）
data$X_c <- scale(data$X, scale = FALSE)
data$M_c <- scale(data$M, scale = FALSE)
data$W_c <- scale(data$W, scale = FALSE)
data$MW_c <- data$M_c * data$W_c  # 使用中心化变量生成交互项

# 计算W的标准差，用于后续条件间接效应的取值计算
sd_W <- sd(data$W_c)

# 模型定义
model <- '
  # Y的预测路径：直接效应X、中介效应M、调节变量W、M与W的交互项
  Y ~ c*X_c + b*M_c + w*W_c + wb*MW_c
  
  # 中介变量M的预测路径
  M_c ~ a*X_c
  
  # 定义基础间接效应（W=0，即均值处）
  ab := a*b
  # 间接效应的调节量（W每变化1单位，间接效应的变化值）
  ab_w := a*wb
  # 不同W水平下的条件间接效应（均值+1SD、均值-1SD）
  ab_high := a*(b + wb*sd_W)
  ab_low := a*(b + wb*(-sd_W))
  
  # 总效应：X对Y的整体影响，为直接效应加条件间接效应
  total := c + ab + ab_w*W_c
'

fit <- sem(model, data = data)
# 输出标准化结果与拟合指标
summary(fit, standardized = TRUE, fit.measures = TRUE)

# 路径图绘制
Plot <- semPaths(fit, whatLabels = "est",
                 sizeMan = 10,
                 edge.label.cex = 1.15,
                 style = "ram",
                 nCharNodes = 0, nCharEdges = 0)

关键说明 #

• 中心化处理：对核心变量中心化后生成交互项，能有效降低多重共线性，原代码的这一步操作是正确的，建议保留。
• 条件间接效应：调节中介的核心是观察不同W取值下，X通过M对Y的间接效应变化，因此必须定义不同W水平的间接效应，才能完成调节作用的解读。
• 模型简洁性：移除冗余的方差协方差语句，Lavaan会自动处理相关参数估计，让模型代码更简洁易读。

内容的提问来源于stack exchange，提问作者JuanJMV