最简单的因果关系无非只有两头，一头是因，另一头是果：
上图就是最简单的因果关系，X是原因，Y是结果，这想必大家都能理解。而c和e又是什么呢?c其实是X对Y效应的大小，比如我们建立回归模型时的“系数”就是最典型的c。同样在这一因果关系中，X和c共同解释了Y的一部分变化(当然可多可少)，但是如上所述，毕竟无法解释所有Y的变化。那么e就出现了，我们把Y的变化中所有没能被原因X所解释的部分通通丢给e，所以e到底是什么?我们也说不清楚，在统计学上我们统一把它称为残差。
二、我们还算熟悉的因果关系
正如单因素和多因素分析的差别一样，对于某个结局Y，通常也不会只有一个原因X，可能对应了多个原因共同对Y产生作用，当然这些原因之间也许还存在复杂的关联和相互影响，甚至其中一个X会影响另一个X对Y发挥的作用，这些我们暂且不表，毕竟不是本篇文章关注的重点。在众多X中还混入了一个M，单独看上去似乎也是Y的一个原因。
三、我来搅浑水
更一般的情况也许是这样的，M本身是不是Y的原因并不清楚，至少看起来M与Y的改变息息相关。但是我们能够清楚的是X1是M的原因。大家混乱的关系变成了下面这个样子：
各种X是Y的原因，这个观点无需多说了，毕竟从图看，每一个X都有一条线指向Y。但是同时X1是M1的原因，M1又是Y的原因。如果红色部分成立的话，M1就成了X1和Y之间的中间变量，此时M1产生的效应为中介效应。也就是说，X1表现出来对Y的影响，至少有一部分(或者全部)是通过改变M1带来的。
四、中间变量/中介效应好吃么?
1、有助于我们了解机制，也许可以作为潜在的干预点。
如果有其他因素也能对M1带来相同的改变，那么必然也会对Y带来相同的影(等同于通过M1带来的影响)。同样，如果改变X1之后，我们组织了M1的改变，那么对应的变化也不会发生在Y身上。这就是中间变量和中介效应的奇妙之处，如果我们发现了中间变量和中介效应，那么我们其实就向真理又迈进了一步。即便不会为临床带来什么实际产出，至少也有利于我们从临床向基础的转化。
2、可以作为结局的预测/预警指标
如果中间变量先于结局出现，同时中间变量的状态可被我们观察或测量到，那么中间变量最直接的作用就是能让我们更早的预计结局Y的发生。基于中间变量的预测，比基于早期指标X的预测可能靠谱的多。
五、如何证明中间变量/中介效应的存在?
其实上面已经给出图了，图中各种a、b、c是否有统计学意义，其实就决定了中介效应是否存在。
在图中，我们探索中介效应的方式其实并不难，就是通过我们常用的各种多因素回归模型。我们需要做的就是分步骤把对应的Y、X和M代入模型，然后观察对应的系数是否有统计学意义，具体步骤如下。
其中所谓的“完全中介效应”是指X对Y的所有效应实际上都是通过改变M带来的，这是一种较为极端的情况。更常见的情况是，X的一部分效应是通过M来实现的。