关于mediation effect的注记

最近跑mediation比较多，随手记几句。
几年前在博士课程里学到的mediation的检验方法已经不那么流行了 (David Kenny)。现在证实bootstrap estimation更靠谱，也更贴合复杂的现实世界。所以，有些观念必须破除，比如total effect应显著是检验indirect effect的前提。
total effect不显著但indirect effect成立的情况也分两种。最著名的应该是inconsistent mediation了，即indirect 和 direct effect的大小相当、方向相反，彼此抵消。另一种情况是，用置信区间检验后发现，indirect effect确实显著，但放到total effect里，与不显著的direct effect综合评估后，total effect被明显冲淡，因此不显著。
total effect不显著，有意义么？答，有，可以了解机制。
但这种机制是真实存在的么？答，可能吧，多弄点数据反复validation，才能最终确立。
所以说，machine learning里的training data, validating data, testing data其实就是把好多年，好多学者，写了好多论文才能完成的一个hypothesis的最终确立缩短在一个ML 项目里完成。好处是：时间短，效率高。坏处是：每一次validating 都是黑箱，给出的只是最终结果。