Publié | Dernière mise à jour
En épidémiologie et en recherche en santé , l'analyse de médiation est un outil essentiel pour comprendre les relations de cause à effet complexes. L'analyse de modération la complète en indiquant quand et pour qui ces effets évoluent. Les méthodes traditionnelles à médiateur unique présentent des limites, notamment face à la diversité des variables, aux multiples interactions et aux données multidimensionnelles sur lesquelles s'appuie de plus en plus la recherche moderne en santé.
Ce guide aborde les fondements classiques de l' analyse de médiation et de modération, ainsi que les extensions plus récentes adaptées aux données modernes. Il explique notamment comment les chercheurs traitent les cas de médiateurs multiples , comment la génomique et l'épigénomique, y compris la méthylation de l'ADN , sont analysées en tant que médiateurs multidimensionnels, et comment ces méthodes sont appliquées en épidémiologie environnementale pour retracer des mécanismes tels que l'impact de la pollution atmosphérique sur la santé respiratoire.
Points clés à retenir
- Analyse de médiation est un outil puissant utilisé dans épidémiologie et recherche en santé identifier les voies par lesquelles les expositions influencent les résultats.
- La régression linéaire traditionnelle analyse de médiation a été confronté à des limitations dans la prise en charge de différents types de variables et d’interactions.
- Causal analyse de médiation (CMA) établit une distinction plus claire entre les transactions directes et effets indirects, permettant un éventail plus large de variables de résultats et des techniques de modélisation plus sophistiquées.
- La CMA est de plus en plus utilisée dans la recherche médicale et épidémiologique pour améliorer la compréhension des mécanismes causaux.
- L'avènement de technologies à haut débit a élargi les possibilités d’analyse de médiation avec un ensemble de médiateurs potentiels de grande dimension, présentant de nouveaux défis statistiques.
- Applications multidimensionnelles, y compris méthylation de l'ADNLes données génomiques et métabolomiques étendent l'analyse de médiation à épidémiologie environnementale, par exemple en étudiant comment la pollution atmosphérique affecte la santé respiratoire par le biais des mécanismes de stress oxydatif.
Introduction à l'analyse de la médiation et de la modération
L'analyse de médiation est un outil essentiel en épidémiologie . Elle nous aide à comprendre comment nos actions influencent notre santé. Elle décompose l'effet d'un élément sur notre santé en deux parties : les effets directs et les effets indirects.
L'effet indirect est la façon dont ce que nous faisons affecte notre santé par le biais d'autres facteurs. Ces facteurs sont appelés médiateurs.
Analyse de médiation en épidémiologie
En épidémiologie, l’analyse de médiation nous aide à comprendre le « comment » et le « pourquoi » des résultats en matière de santé. En identifiant les facteurs clés qui relient nos actions à notre santé, nous pouvons élaborer de meilleurs plans de santé. C’est essentiel pour que les stratégies de santé publique fonctionnent.
Avènement des technologies à haut débit et de la médiation à grande échelle
Les nouvelles technologies, comme la génomique, nous permettent d'examiner simultanément de nombreux facteurs potentiels. Cela implique la nécessité de nouvelles méthodes d'analyse de ces facteurs. Les chercheurs étudient actuellement comment ces facteurs influencent notre santé et nos maladies.
Cela nous aide à mieux comprendre comment prévenir et traiter les maladies. Cela change notre façon de réaliser des études épidémiologiques.
| Analyse de médiation | Analyse de la modération |
|---|---|
| Se concentre sur le « comment » et le « pourquoi » de la relation entre une variable indépendante (VI) et une variable dépendante (VD) | Explore le « quand » et les « dans quelles conditions » la relation entre un IV et un DV change |
| Décompose l'effet total d'une exposition sur un résultat en effets directs et indirects. effets indirects | Identifie un modérateur qui modifie la force ou la direction de la relation entre un IV et un DV |
| Utilise la modélisation par équation structurelle (SEM) pour capturer des relations causales complexes | Utilise une analyse de régression multiple pour examiner l'interaction entre un IV, un modérateur et un DV |
La troisième édition de l'ouvrage « Introduction à la médiation, à la modération et au processus conditionnel » présente en détail ces méthodes et explique comment elles sont appliquées dans des domaines tels que l'épidémiologie et la santé publique.
Analyse de médiation classique avec un seul médiateur

En recherche en santé, il est essentiel de comprendre les liens entre des éléments complexes. L'analyse de médiation classique avec un seul médiateur nous y aide. Elle nous permet d'observer comment une exposition influence un résultat, directement et indirectement.
Cadre d'analyse de chemin et de modélisation de régression
Cette méthode utilise l'analyse de cheminement et la modélisation par régression . Elle ajuste des modèles décrivant les liens entre l'exposition et le médiateur, ainsi qu'entre l'exposition et le résultat. Ces modèles permettent ensuite d'identifier les effets directs et indirects. Pour que cette méthode fonctionne correctement, certaines hypothèses doivent être vérifiées, notamment l'absence de confusion entre l'exposition et le résultat, ou entre le médiateur et le résultat.

Estimation des effets directs et indirects
L'effet direct montre comment l'exposition influence directement le résultat. L'effet indirect montre comment l'exposition influence le résultat par l'intermédiaire d'un médiateur. En décomposant l'effet total en ces deux composantes, les chercheurs peuvent comprendre les mécanismes en jeu. Ceci est extrêmement utile en épidémiologie, où identifier les facteurs qui modulent les effets des expositions permet d'améliorer les interventions.
La distinction entre effets directs et indirects, et l'explication de leur signification respective pour une intervention, constituent un obstacle pour de nombreux chercheurs qui découvrent ces modèles. Un accompagnement à l'interprétation des données peut faciliter la traduction de ces estimations en un récit clair des résultats.
« Le cadre classique d’analyse de médiation avec un seul médiateur constitue un outil puissant pour démêler les voies causales complexes dans la recherche en santé, permettant aux chercheurs de distinguer les effets directs et indirects des expositions sur les résultats. »
De nombreux logiciels comme SAS, SPSS, Stata, R et Mplus proposent des méthodes pour identifier les effets de médiation causale, simplifiant ainsi l'utilisation de ces méthodes complexes pour les chercheurs de différents domaines. La clarté de la description du modèle et de ses hypothèses dans la section « Méthodes » d'un article est tout aussi importante que la bonne exécution de l'analyse. Un accompagnement professionnel en rédaction méthodologique peut vous aider à obtenir une documentation conforme aux exigences des revues scientifiques.
| Approche | Fonctionnalités clés | Hypothèses |
|---|---|---|
| Médiateur unique Analyse de médiation |
|
|
Défis de l'analyse de médiation avec plusieurs médiateurs
Face à plusieurs médiateurs corrélés , la méthode classique du médiateur unique présente des limites. Elle ne tient pas compte de l'influence réciproque des médiateurs, ce qui peut fausser notre compréhension des relations de cause à effet. De plus, des interactions entre les médiateurs doivent être modélisées avec précision. Pour pallier ces difficultés, de nouveaux outils statistiques ont été développés pour l' analyse de médiation avec plusieurs médiateurs corrélés.
Limites des approches à médiateur unique
L'ancienne approche de la médiation se concentrait sur un seul médiateur à la fois. Elle supposait que l'effet d'une exposition sur un résultat empruntait un seul chemin. Or, dans la réalité, les résultats en matière de santé sont souvent plus complexes et impliquent de multiples médiateurs corrélés . Négliger ces interactions peut conduire à des estimations erronées et à une compréhension limitée des relations de cause à effet.
Prise en compte des influences et des interactions des médiateurs
Pour pallier les lacunes des méthodes à médiateur unique, les chercheurs ont développé des outils statistiques plus complexes pour l'analyse de médiation à médiateurs multiples . Ces outils permettent de déterminer les effets directs et indirects, en tenant compte des influences et des interactions entre les médiateurs . Grâce à ces méthodes avancées, les chercheurs peuvent mieux comprendre les liens de causalité complexes qui influencent les résultats de santé.
| Approche | Description | Avantage |
|---|---|---|
| Méthodes basées sur la régression | Utiliser des modèles de régression multiples pour estimer les effets directs et indirects, en tenant compte de influences médiatrices et interactions. | Flexible dans la modélisation de différents types de médiateurs et de résultats, et peut gérer des variables continues et catégorielles. |
| Méthodes basées sur la pondération | Utiliser la pondération de probabilité inverse pour estimer les effets directs et indirects, en tenant compte des effets potentiels déroutant et confusion entre médiateur et résultat. | Peut gérer à la fois les médiateurs et les résultats continus et catégoriels, et fournir un cadre solide pour inférence causale. |
Ces méthodes statistiques avancées d' analyse de médiation à médiateurs multiples aident les chercheurs à mettre au jour les liens de causalité complexes en santé publique. Il en résulte une compréhension plus approfondie des mécanismes et des interventions plus efficaces pour améliorer la santé des populations.

Méthodes d'analyse de plusieurs médiateurs corrélés
Comprendre comment plusieurs médiateurs interagissent est essentiel en recherche en santé. De nombreuses méthodes statistiques permettent d'aborder cette question. Elles offrent différentes perspectives pour appréhender les mécanismes complexes qui mènent aux résultats. Ces méthodes se répartissent en deux grandes catégories : celles qui analysent chaque médiateur individuellement et celles qui les étudient conjointement.
Considérer les médiateurs séparément ou conjointement
Considérer chaque médiateur individuellement risque de masquer leurs interactions et de conduire à des découvertes importantes. En revanche, les analyser conjointement, grâce à des techniques de réduction des données , permet d'obtenir une vision plus complète de leurs effets. Toutefois, ces méthodes peuvent avoir du mal à identifier précisément les mécanismes à l'origine de l'effet global.
Techniques de réduction des données pour l'analyse conjointe des médiateurs
Pour simplifier l'étude de plusieurs médiateurs corrélés , les chercheurs utilisent des techniques de réduction de données telles que l'analyse en composantes principales (ACP) et l'analyse factorielle. Ces méthodes combinent les caractéristiques communes des médiateurs, ce qui permet d'estimer leurs effets conjoints et spécifiques. En réduisant le nombre de médiateurs, ces techniques offrent un éclairage nouveau sur les mécanismes sous-jacents aux relations.
| Approche analytique | Avantages | Limites |
|---|---|---|
| Analyse du médiateur séparé |
|
|
| Analyse conjointe du médiateur |
|
|
Le choix de la méthode dépend de la question de recherche, de la théorie et du contexte de l'étude. Les chercheurs doivent peser le pour et le contre. Ils doivent choisir la meilleure méthode pour comprendre les causes complexes de la recherche en santé.
Hypothèses causales et facteurs de confusion dans l'analyse de la médiation

L'analyse de médiation nous aide à comprendre comment une exposition ou une intervention influence un résultat. Elle repose sur plusieurs hypothèses causales fondamentales . L'une des principales est l'absence de confusion entre l'exposition et le résultat, ou entre le médiateur et le résultat. Il est essentiel d'identifier et de gérer les facteurs de confusion pour obtenir des résultats précis. L'analyse de sensibilité est une méthode courante pour tester la robustesse d'une estimation de médiation face à un facteur de confusion non mesuré.
L'inférence causale dans l'analyse de médiation exige un examen attentif des données et des biais potentiels. Les méthodes traditionnelles peuvent donner des résultats différents des méthodes de médiation causale plus récentes, notamment en cas d'interaction entre l'exposition et le médiateur. Ces dernières gèrent mieux les interactions, ce qui permet une analyse plus approfondie des mécanismes à l'œuvre.
- L’analyse de médiation vise à clarifier les mécanismes causaux entre une exposition et un résultat.
- L’estimation des effets totaux, directs et indirects est essentielle pour comprendre les voies par lesquelles une exposition influence un résultat.
- Les méthodes de médiation causale abordent les limites des approches traditionnelles, notamment en matière d’exposition-interactions des médiateurs et en tenant compte des facteurs de confusion.
Pour garantir la validité de l'inférence causale dans l'analyse de médiation, les chercheurs doivent examiner attentivement les hypothèses et les facteurs de confusion. Ce faisant, ils peuvent mettre au jour les liens complexes entre les expositions et les résultats, ce qui contribue à l'élaboration de meilleures interventions et politiques de santé.
Comment l'analyse de modération complète l'analyse de médiation
En recherche sur la santé, il est essentiel de comprendre les interactions entre les différents éléments. L'analyse de médiation examine les liens entre une exposition et un résultat. L'analyse de modération vérifie comment d'autres facteurs modifient l'intensité ou le sens de ce lien. Ensemble, ces analyses nous offrent une vision globale des problèmes de santé.
L'analyse de médiation décompose les liens de causalité entre une exposition et un résultat. Elle met en évidence les effets directs et indirects, nous aidant ainsi à comprendre le fonctionnement des interventions. Ces informations permettent de concevoir de meilleures interventions et d'améliorer celles qui existent déjà.
L'analyse de modération examine comment d'autres facteurs modifient le lien entre une exposition et un résultat. Elle permet de déterminer ce qui renforce ou affaiblit ce lien. Cela nous indique comment optimiser l'efficacité des interventions pour certaines personnes.

L'analyse conjointe de médiation et de modération nous permet de mieux comprendre les résultats en matière de santé. Elle met en lumière la complexité des interactions entre les différents facteurs. Grâce à ces connaissances, nous pouvons concevoir des interventions plus ciblées et efficaces, contribuant ainsi à améliorer la santé des populations.
Applications en épidémiologie environnementale
L'analyse de médiation est désormais essentielle en épidémiologie environnementale . Elle aide les chercheurs à comprendre comment la pollution atmosphérique affecte la santé humaine. En étudiant les voies du stress oxydatif, les scientifiques peuvent observer comment la pollution atmosphérique impacte la santé respiratoire.
Cette méthode fournit des informations importantes pour les études sur la santé environnementale. Elle permet par exemple d'étudier la manière dont différents facteurs environnementaux interagissent. Elle permet d'identifier les risques et la manière dont ils interagissent, ce qui est essentiel pour les interventions en matière de santé.
Mais il peut être difficile de gérer de nombreux facteurs environnementaux. Les chercheurs ont recours à de nouvelles méthodes pour y parvenir, notamment la synthèse et la classification, la modélisation hiérarchique et l'analyse en deux étapes.
Les chercheurs en santé devraient étudier les mélanges environnementaux dans leur ensemble, et non pas un à la fois. L’analyse de médiation nous aide à comprendre comment les facteurs environnementaux provoquent des problèmes de santé. C’est essentiel pour prendre des décisions en matière de santé publique.
Évaluation des effets de la pollution atmosphérique par les voies oxydatives
L'analyse de médiation est particulièrement utile pour étudier l' impact de la pollution atmosphérique sur la santé respiratoire. Elle examine les mécanismes du stress oxydatif afin de comprendre comment la pollution affecte la santé.
Ces études montrent comment l’analyse de médiation nous aide à comprendre des problèmes de santé complexes. Elle permet de mettre en place des interventions et des politiques ciblées pour lutter contre les effets de la pollution sur la santé.
« L’analyse de médiation offre un outil essentiel dans les études de santé environnementale pour étudier les facteurs environnementaux contribuant aux associations observées entre les facteurs de risque et les résultats pour la santé. »
Médiation à haute dimension avec données omiques
Les technologies « omiques » à haut débit, telles que la génomique , la transcriptomique et la métabolomique, permettent de mesurer de nombreux médiateurs potentiels dans les études de santé. Cependant, l'analyse de ces données est complexe car les méthodes traditionnelles sont inadaptées à ce contexte complexe.
La méthylation de l'ADN comme médiateur potentiel
Les chercheurs pensent que la méthylation de l'ADN pourrait expliquer le lien entre les facteurs environnementaux et les conséquences sur la santé. Plusieurs études de cohortes de naissance montrent que les modifications de la méthylation de l'ADN modulent l'impact du tabagisme pendant la grossesse sur le poids de naissance du bébé [Küpers LK et al. 2015, Xu R et al. 2021]. Des études pangénomiques ont également identifié des sites de méthylation de l'ADN spécifiques liés au tabagisme maternel pendant la grossesse [Morales E et al. 2018, Joubert BR et al. 2012].

Analyses de données génomiques, transcriptomiques et métabolomiques
Les chercheurs ont également appliqué l'analyse de médiation à d'autres données « omiques » comme la génomique , la transcriptomique et la métabolomique , contribuant ainsi à découvrir des voies causales complexes entre les changements moléculaires et les résultats en matière de santé tels que la pression artérielle et le risque cardiovasculaire.
| Métrique | Valeur | Description |
|---|---|---|
| Biais et variance des estimateurs R²_{médiatisé} | petit | Le biais et la variance de ces estimateurs sont faibles lorsque de véritables médiateurs sont inclus dans des paramètres à haute dimension. |
| Performance des méthodes d'analyse de médiation | Les SIS et FDR itératifs se sont révélés efficaces | Le dépistage itératif d’indépendance sûre (SIS) et le taux de fausses découvertes (FDR) fonctionnent bien pour sélectionner des médiateurs dans des contextes complexes. |
En résumé, l'étude des données « omiques », telles que la méthylation de l'ADN , la génomique, la transcriptomique et la métabolomique, nous a permis de mieux comprendre les résultats en matière de santé. Cependant, ces données complexes nécessitent des méthodes statistiques spécifiques pour appréhender leurs relations complexes.
Outils statistiques pour la médiation à grande échelle
Les chercheurs en sciences de la santé sont souvent confrontés à la difficulté d'analyser simultanément de nombreux médiateurs potentiels. Pour y remédier, des experts ont créé des méthodes statistiques et des logiciels innovants . Ces outils permettent de traiter un grand nombre de médiateurs, de prendre en compte leurs interactions et d'estimer leurs effets.
Le choix de la méthode statistique appropriée dépend de la question de recherche et de la nature des médiateurs. Les points clés à considérer dans le cadre d'une médiation multidimensionnelle sont les suivants :
- Utiliser des techniques telles que l’analyse en composantes principales pour réduire le nombre de médiateurs.
- Méthodes permettant d’examiner les effets de plusieurs médiateurs ensemble, comme la modélisation par équations structurelles.
- Stratégies de gestion des relations complexes entre médiateurs, y compris les interactions et les effets non linéaires.
- Inférence causale des cadres permettant de séparer les effets directs et indirects et de traiter les facteurs de confusion.
Grâce à ces techniques de médiation multidimensionnelles , les chercheurs peuvent mettre au jour les causes complexes des problèmes de santé. Il en résulte des interventions plus efficaces et des décisions éclairées.
| Méthode statistique | Outils logiciels | Fonctionnalités clés |
|---|---|---|
| Modélisation d'équations structurelles (SEM) | R (lavaan, sem), SAS (PROC CALIS) | Estimation simultanée de plusieurs médiateurs, effets conjoints et spécifiques au chemin |
| Analyse de médiation bayésienne | R (blavaan, BayesMed), SAS (PROC MCMC) | Modélisation flexible de relations médiatrices complexes, intégration des connaissances préalables |
| Machine Learning-Médiation basée sur | R (médiation, nlme), Python (CausalML) | Estimation non paramétrique des effets indirects, gestion des relations non linéaires et à haute dimension |
Ces outils statistiques d'analyse de médiation multidimensionnelle aident les chercheurs à comprendre les problèmes de santé complexes. Ils permettent d'acquérir des connaissances plus approfondies et de mettre en œuvre des interventions plus efficaces.
« La capacité d’analyser les effets conjoints et individuels de multiples médiateurs est essentielle pour comprendre les mécanismes sous-jacents aux résultats en matière de santé face à des données de plus en plus complexes. »
Défis et orientations futures
L' analyse de médiation multidimensionnelle en recherche en santé présente des difficultés. L'un des principaux défis consiste à exploiter les connaissances biologiques préalables sur les liens entre les expositions, les médiateurs et les résultats. Ces connaissances contribuent à renforcer la fiabilité des résultats.
Par ailleurs, l'utilisation de techniques d'apprentissage automatique dans ces études soulève de nouvelles questions. Ces modèles sont très performants pour prédire les résultats, mais leur compréhension peut s'avérer complexe. Il est difficile de déterminer les relations de cause à effet à partir de leur fonctionnement complexe.
Pour l'avenir, nous devrions développer des méthodes alliant expertise statistique et connaissances du domaine . Cela pourrait impliquer d'intégrer des données biologiques aux modèles et de trouver des moyens de rendre l'apprentissage automatique plus transparent. Ainsi, nous pourrons mieux comprendre les causes complexes des problèmes de santé.
« L’intégration de connaissances biologiques préalables sur les relations entre les expositions, les médiateurs et les résultats peut améliorer la validité des inférences causales tirées de ces analyses. »
En s'attaquant à ces problèmes, les chercheurs peuvent exploiter pleinement le potentiel de l'analyse de médiation multidimensionnelle . Cela pourrait mener à de meilleures interventions sanitaires et à une amélioration de la santé pour tous.
Conclusion
L’analyse des médiations est aujourd’hui un outil essentiel de la recherche en santé. Elle nous aide à comprendre les relations complexes entre les facteurs. Grâce aux nouvelles technologies, nous pouvons mesurer simultanément de nombreux médiateurs potentiels.
Les anciennes méthodes ne prenaient en compte qu'un seul médiateur à la fois. Aujourd'hui, nous disposons de nouveaux outils statistiques permettant de traiter plusieurs médiateurs. Cela facilite l'étude de situations complexes.
Le choix de la méthode appropriée dépend de la question de recherche et de la nature des médiateurs. Il dépend également des hypothèses causales . L'intégration de connaissances biologiques préalables contribue à améliorer l'analyse.
Les lecteurs souhaitant explorer les techniques multivariées connexes peuvent découvrir comment l'analyse factorielle révèle les variables latentes dans les données de recherche. À mesure que le domaine se développe, ces méthodes nous aideront à mieux comprendre les résultats de santé, ce qui permettra de mettre au point des traitements plus efficaces. Pour les études qui regroupent les effets indirects de plusieurs essais ou cohortes, la méta-analyse peut faciliter la combinaison et l'interprétation des résultats.
L'analyse de médiation et de modération nous permet de comprendre comment différents facteurs influent sur la santé. Ces connaissances sont essentielles à l'élaboration de meilleures politiques de santé. Elles nous aident à concevoir des interventions ciblées pour améliorer la santé et la qualité de vie.
QFP
Qu'est-ce que l'analyse de médiation ?
L'analyse de médiation est un outil utilisé dans la recherche en santé. Elle permet de déterminer comment les expositions affectent les résultats. Elle décompose l'effet d'une exposition en parties directes et indirectes. La partie indirecte correspond à l'effet d'autres facteurs, appelés médiateurs.
Comment l’essor des technologies à haut débit impacte-t-il l’analyse de médiation ?
Les technologies à haut débit comme la génomique ont transformé l'analyse de médiation. Elles permettent d'examiner simultanément de nombreux médiateurs potentiels. Cependant, les méthodes traditionnelles sont inadaptées à un tel nombre d'options, d'où la nécessité de nouveaux outils statistiques.
Quels sont les principaux problèmes statistiques dans la conduite d’une analyse de médiation avec plusieurs médiateurs corrélés ?
Avec de nombreux médiateurs, les anciennes méthodes ne fonctionnent pas bien. Elles ignorent la manière dont un médiateur peut affecter un autre. Cela peut conduire à des estimations erronées des effets. De plus, les interactions entre les médiateurs doivent être prises en compte.
Quelles sont les différentes approches pour l’analyse de médiation avec de multiples médiateurs corrélés ?
Il existe deux principales méthodes pour analyser plusieurs médiateurs. L'une consiste à examiner chaque médiateur séparément. L'autre consiste à les examiner ensemble à l'aide de techniques telles que la réduction des données. Cette dernière méthode peut donner une image plus complète des effets indirects.
Quelles sont les principales hypothèses causales dans l’analyse de la médiation ?
L'analyse de médiation nécessite certaines hypothèses pour être vraie. Il s'agit notamment de l'absence de confusion entre l'exposition, les médiateurs et les résultats. Il est important de vérifier les facteurs de confusion pour obtenir des résultats précis.
Comment l’analyse de modération complète-t-elle l’analyse de médiation ?
L'analyse de modération examine ce qui modifie l'effet d'une exposition sur un résultat. Elle fonctionne avec l'analyse de médiation pour donner une meilleure compréhension de la recherche en santé.
Comment l’analyse de médiation a-t-elle été appliquée en épidémiologie environnementale ?
En épidémiologie environnementale , l'analyse de médiation permet de comprendre comment la pollution affecte la santé. Par exemple, elle montre comment l'impact de la pollution atmosphérique sur la respiration est lié au stress oxydatif.
Quels sont les défis et les orientations futures de l’analyse de médiation à haute dimension avec des données omiques ?
L'analyse de nombreux médiateurs en recherche en santé est complexe. L'intégration de connaissances biologiques contribue à améliorer les résultats. Le recours à l'apprentissage automatique soulève également des questions quant à l'équilibre entre prédiction et inférence causale . Les recherches futures devraient s'attacher à combiner connaissances statistiques et biologiques pour comprendre les mécanismes complexes de la santé.
Liens sources
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10415648/
- https://www.entropik.io/blogs/mediator-vs-moderator
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7263455/
- https://www.statisticssolutions.com/similarities-and-differences-between-mediation-and-moderation-analyses/
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4054581/
- https://bmcmedresmethodol.biomedcentral.com/articles/10.1186/s12874-021-01426-3
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6180946/
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2819368/
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4287269/
- https://link.springer.com/article/10.1007/s10742-024-00327-4
- https://jasemjournal.com/wp-content/uploads/2019/10/JASEM_12Editorial-Memon-et-al.-2018.pdf
- https://arxiv.org/html/2406.16174v1
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2908713/
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10368791/
- https://www.frontiersin.org/journals/education/articles/10.3389/feduc.2022.886722/full
- https://www.publichealth.columbia.edu/research/population-health-methods/causal-mediation
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9940892/
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3366634/
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6367715/
- https://www.nature.com/articles/s41467-020-19335-2
- https://bmcbioinformatics.biomedcentral.com/articles/10.1186/s12859-021-04322-1
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10104171/
- https://journals.plos.org/plosgenetics/article?id=10.1371/journal.pgen.1011022
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8187160/
- https://www.routledge.com/Statistical-Methods-for-Mediation-Confounding-and-Moderation-Analysis-Using-R-and-SAS/Yu-Li/p/book/9781032220086
- https://canlab.github.io/_pages/tutorials/html/mediation_1_basics.html
- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC2821103/
- https://bmcpsychiatry.biomedcentral.com/articles/10.1186/s12888-020-2436-5
- https://dovetail.com/research/mediator-vs-moderator/
- https://openpublishing.library.umass.edu/pare/article/1615/galley/1566/view/
- https://www.xlstat.com/en/solutions/features/process-moderation-and-mediation
