R 如何在中介分析中使用'；拉万'；包裹

我试图在R中进行中介分析，建议使用包“mediation”和“lavan”

看起来“mediation”用于处理一个中介，而“lavan”用于处理多个中介。当结果变量是二分法的时候，我很困惑如何得到奇数比率

这里是我的代码，注意Y（新糖尿病）和X（高血压、BMI、CB、TG）都是两分的，年龄和性别被定义为协变量

library(lavaan)
model <- '
# outcome model 
new_DM ~ c*hypertension + b1*BMI + b2*CB + b3*TG + age + sex

# mediator models
BMI ~ a1*hypertension + age + sex
CB ~ a2*hypertension + age + sex
TG ~ a3*hypertension + age + sex

# indirect effects (IDE)
BMIIDE := a1*b1
CBIDE  := a2*b2
TGIDE  := a3*b3
sumIDE := (a1*b1) + (a2*b2) + (a3*b3)

# total effect
total := c + (a1*b1) + (a2*b2) + (a3*b3)
BMI ~~ CB 
CB ~~ TG
BMI ~~ TG
'
set.seed(1234)
fit <- sem(model, data=data,test="bootstrap", bootstrap=1000)
summary(fit, fit.measures=TRUE, standardize=TRUE, rsquare=TRUE)
boot.fit <- parameterEstimates(fit, boot.ci.type="bca.simple")

我的问题是如何得到总效应、直接效应和间接效应的奇数比率？我可以尝试一下exp（coef（fit））或其他尝试吗？另一个问题是“Lavan”能够处理纵向数据集，以及如何将时间变量添加到模型中并进一步计算风险比

如有任何建议，我们将不胜感激

····
Regressions:
                   Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
  new_DM ~                                                              
    hypertnsn  (c)    0.038    0.008    4.849    0.000    0.038    0.059
    BMI       (b1)    0.028    0.010    2.890    0.004    0.028    0.044
    CB        (b2)    0.040    0.010    4.027    0.000    0.040    0.062
    TG        (b3)    0.030    0.009    3.383    0.001    0.030    0.040
    age               0.002    0.000    4.093    0.000    0.002    0.050
    sex              -0.005    0.007   -0.666    0.505   -0.005   -0.008
  BMI ~                                                                 
    hypertnsn (a1)    0.206    0.012   17.857    0.000    0.206    0.206
    age              -0.009    0.001  -15.651    0.000   -0.009   -0.181
    sex               0.121    0.011   10.957    0.000    0.121    0.124
  CB ~                                                                  
    hypertnsn (a2)    0.208    0.011   18.394    0.000    0.208    0.210
    age              -0.002    0.001   -3.585    0.000   -0.002   -0.041
    sex               0.221    0.011   20.375    0.000    0.221    0.228
  TG ~                                                                  
    hypertnsn (a3)    0.101    0.010    9.793    0.000    0.101    0.117
    age              -0.003    0.001   -6.336    0.000   -0.003   -0.076
    sex               0.050    0.010    5.074    0.000    0.050    0.059

Covariances:
                   Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
 .BMI ~~                                                                
   .CB                0.130    0.003   44.048    0.000    0.130    0.604
 .CB ~~                                                                 
   .TG                0.033    0.002   14.580    0.000    0.033    0.174
 .BMI ~~                                                                
   .TG                0.033    0.002   14.405    0.000    0.033    0.172

Variances:
                   Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
   .new_DM            0.093    0.002   60.216    0.000    0.093    0.978
   .BMI               0.218    0.004   60.216    0.000    0.218    0.920
   .CB                0.211    0.004   60.216    0.000    0.211    0.902
   .TG                0.174    0.003   60.216    0.000    0.174    0.980

R-Square:
                   Estimate
    new_DM            0.022
    BMI               0.080
    CB                0.098
    TG                0.020

Defined Parameters:
                   Estimate  Std.Err  z-value  P(>|z|)   Std.lv  Std.all
    BMIIDE            0.006    0.002    2.853    0.004    0.006    0.009
    CBIDE             0.008    0.002    3.934    0.000    0.008    0.013
    TGIDE             0.003    0.001    3.198    0.001    0.003    0.005
    sumIDE            0.017    0.002    8.349    0.000    0.017    0.027
    total             0.055    0.008    7.210    0.000    0.055    0.086