研究说了什么
中介分析把总效应拆成直接效应与通过中介传递的间接效应。经典的 Baron 与 Kenny 三步法要求暴露影响中介、中介影响结局、控制中介后暴露效应减弱，这套做法已被反事实框架取代。自然直接效应与自然间接效应的识别需要四个假设：暴露与结局、暴露与中介、中介与结局之间都没有未测混杂；并且不存在受暴露影响的中介与结局混杂因素。后者最容易被忽略，一旦存在，标准方法全部失效。估计工具包括 g 公式、边际结构模型、加权与插补法，软件实现有 R 的 mediation 包与 SAS 的 CAUSALMED。中介效应通常报告比例，即间接效应占总效应的百分比，但这个比例在总效应接近零时极不稳定。多重中介与纵向中介还需要处理中介之间的顺序与相互影响，交叉滞后模型只能提示时间顺序，不能替代因果识别。中介与结局同时测量时，所谓纵向设计也常只是两次问卷，时间间隔的选择会直接改变结论。敏感性分析应量化中介与结局的未测混杂需要多强才能推翻结论，这比一句局限性更有信息。
为什么重要
抗衰研究几乎都想知道机制：运动是否通过改善胰岛素敏感性降低死亡风险，热量限制是否通过降低炎症延缓衰老，膳食纤维是否通过短链脂肪酸改善代谢。中介分析提供了一个把黑箱打开的形式，也让干预可以更有针对性。对读者，它能帮你看穿一类论证：某补剂改变了某个标志物，而该标志物与疾病相关，于是被宣称为起效路径。这条推理链缺了关键一环，标志物改变是否真的带来结局改善，需要单独验证。另一个用途是识别无效环节：如果干预改变了中介却没能改变结局，说明这条通路在人体里并不重要，或者代偿机制把它抵消了。它也能帮助设计后续试验，把资源放在真正承重的通路上。在行为干预中，中介分析还能区分依从性带来的变化与真实生理效应，避免把听话的人更健康误当成机制。对政策，如果效应主要通过一个可改变的中介传递，针对该中介的干预可能比原干预更易推广，但前提是中介本身可干预且无严重副作用。若中介本身不可干预，比如遗传标记，即便统计上承担了大比例效应，也不能据此设计干预。
证据与边界
第一处越界是把统计中介当生物机制：中介变量只是一个测量，它背后可能是完全不同的过程，C 反应蛋白下降不一定意味着炎症通路被改变。第二处越界是时间顺序，横断面数据里中介与结局同时测量，无法排除结局影响中介。第三处越界是混杂，中介与结局的混杂若受暴露影响，常规调整会引入偏倚，这类问题在观察性数据里几乎无法排除。中介测量误差还会让间接效应被低估，因为误差把中介与结局的关联稀释了。比例报告也有陷阱，总效应不显著时仍可能算出可观的间接效应比例，媒体却常把它写成主要通路。一个典型失败案例是把体重下降当作运动降低死亡风险的中介，但体重下降也可能是疾病的结果，反向因果让整条链失效。另一个边界是尺度，二分类结局的间接效应在相加与相乘尺度上不一致，报告时需要说明用的哪一种。看到中介分析，先问四个假设是否被逐条论证，再看比例。另一个现实问题是中介的测量时点，若在干预结束后很久才测，中介可能已回落到基线，间接效应被低估。