单独的有调节的中介或者有中介的调节好多同学还大概能看明白，但是两个东西一起说我发现大部分同学就懵逼了。今天我就尝试将两种方法一起讲讲，重点帮助大家厘清两种方法的异同。调节变量（moderator）通过中介变量（mediator）间接影响因变量（outcome）。下图就是一个典型的。关注的是下图就是一个典型的有调节的的中介作用模型（当然也不是唯一的）：所以说，有调节的中介模型在总体上是不要求有调节作

meta分析之前有给大家写过，但是meta分析只能比较两个方法。经常是被用来证明在现有研究中显示矛盾结果的干预方法到底有没有效的时候使用，通过证据综合得到某种干预到底有没有用的结论。但是如果我要证明好几种方法到底哪个最优，这个时候meta分析就不行了，我们得使用网状meta。网状meta的原理和meta没有区别，可以进行多个干预的同时分析。一个研究直接对A、B两种干预进行比较，这个叫做直接证据；

在我们经常接触的统计模式中，我们是在寻求推翻原假设，证明差异，这种统计模型在传统的临床试验中，在各种统计推断中已经成为默认了。在传统的临床试验中通常会将一种新的治疗方法与标准治疗或安慰剂进行比较，从而证明这种新治疗具有更好的疗效，这类试验的原假设是这两种治疗方案的治疗效果没有差异。如果统计分析拒绝这一假设，说明这两种治疗的疗效是有差别的，即出现统计学上差异性展示出显著的P值，这个时候就证明了我们的

对于分类预测模型的表现评估我们最常见的指标就是ROC曲线，报告AUC。比如有两个模型，我们去比较下两个模型AUC的大小，进而得出两个模型表现的优劣。这个是我们常规的做法，如果我们的研究关注点放在“”，这个时候ROC就常常会显得力不从心，因为通常加入一个变量AUC不会有太大的变化，且AUC不好解释。这时，就需要用到我们今天要讲的综合判别改善指数IDI, 净重分类指数NRI指标。

理论上定义各种效应的表达确实没问题，但是这些效应都是两个反事实情况的差值，在实际情况下我又不能同时观测到两个反事实，那么这些基于反事实框架定义出来的中介效应值又如何算呢？这个时候依然需要建模做预测（一个预测m的模型和一个预测y的模型），模型出来了后，我们可以利用模型得到每个个案的反事实结果，这样就可以得出直接效应和间接效应了。和传统中介不同的是这些模型不是服务于效应分解的，是用来估计反事实结果的。

再出一篇用mplus做的多组比较和中介分析的文章，专门谈谈诸如性别差异的各种研究的分析方法，从本文中大家不止可以知道性别差异，各种差异，各种gap只要你感兴趣都可以套进来这个方法来进行你的研究设计。今天我们参考的论文是Lietaert, S., Roorda, D., Laevers, F., Verschueren, K., & De Fraine, B. (2015). The gen

今天给大家介绍分段潜增长模型的原理和做法，之前我有给大家写增长混合和潜增长，它们的主要的局限在于轨迹都是连续的不能分段，在于对phasic的现象把握其实还是不够的，比如儿童认知的发展，按照理论，它是可以明显分段的，如果这个时候我们非要给人家拟合一个连续曲线？万一人家发展就是分了两个阶段线性发展的呢？所以这些方法还是不太好，今天给大家介绍分段潜增长模型，专门解决这个问题。理论铺垫增长混合模型之前有给

记得之前有写过如何用R做随机截距交叉滞后，有些粉丝完全是R小白，还是希望我用mplus做，今天就给大家写写如何用mplus做随机截距交叉滞后。做之前我们需要知道一些Mplus的默认的设定：observed and latent exogenous variables are correlated, andresiduals of observed and latent outcome variab

今天给大家介绍分段潜增长模型的原理和做法，之前我有给大家写增长混合和潜增长，它们的主要的局限在于轨迹都是连续的不能分段，在于对phasic的现象把握其实还是不够的，比如儿童认知的发展，按照理论，它是可以明显分段的，如果这个时候我们非要给人家拟合一个连续曲线？万一人家发展就是分了两个阶段线性发展的呢？所以这些方法还是不太好，今天给大家介绍分段潜增长模型，专门解决这个问题。理论铺垫增长混合模型之前有给

样本量问题真的是好多人的老大难，是很多同学科研入门第一个拦路虎，今天给本科同学改大创标书又遇到这个问题，我想想不止是本科生对这个问题不会，很多同学从上研究生到最后脱离科研估计也没能把这个问题弄得很明白，那么希望大伙儿在看了这篇文章能够更加深入地理解样本量计算的逻辑，也能对大家的科研设计中的样本量设计部分有所启发。样本量计算的逻辑还记得我们最开始接触统计推断的时候，大家都知道一个词叫做原假设，原假设