Para simplificar, voy a hacer que el problema sea lineal en parámetros. Usted tiene una ecuación de forma estructural para el resultado $y$ El intermedio ecuación de resultado para $x$ y un supuesto de independencia:
$$ \begin{align*} y_i &=\beta_1+\beta_t \cdot t_i + \beta_x \cdot x_i + \varepsilon_i \\ x_i &= \alpha_1+\alpha_t \cdot t_i + u_i \\ (t,x) & \perp \!\!\! \perp \varepsilon \\ \end{align*}$$
Si se introduce la segunda en la primera, se obtiene la ecuación reducida del resultado:
$$ y_i = (\beta_1 + \beta_x \cdot \alpha_1) + (\beta_t +\beta_x \cdot \alpha_t) \cdot t_i + (\beta_x \cdot u_i + \varepsilon_i) $$
Tienes dos efectos: $$\begin{align*} \text{Total Effect: }& E[y \vert t=1]-E[y \vert t=0] = \beta_t +\beta_x \cdot \alpha_t \\ \text{Direct Effect: }& E[y \vert t=1,w]-E[y \vert t=0, w] = \beta_t \\ \end{align*}$$
Puede utilizar la ecuación de resultados de forma reducida para estimar la primera, y puede utilizar la ecuación de forma estructural para estimar la segunda. La diferencia de ambas recupera el efecto indirecto.
He aquí un ejemplo de juguete utilizando Stata en el que domina el efecto indirecto:
. clear
. sysuse auto, clear
(1978 Automobile Data)
. quietly reg price i.foreign
. estimates store rf
. quietly reg price i.foreign c.mpg
. estimates store sf
. suest rf sf
Simultaneous results for rf, sf
Number of obs = 74
------------------------------------------------------------------------------
| Robust
| Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
rf_mean |
foreign |
Foreign | 312.2587 696.9581 0.45 0.654 -1053.754 1678.271
_cons | 6072.423 428.2447 14.18 0.000 5233.079 6911.767
-------------+----------------------------------------------------------------
rf_lnvar |
_cons | 15.9902 .2260545 70.74 0.000 15.54714 16.43325
-------------+----------------------------------------------------------------
sf_mean |
foreign |
Foreign | 1767.292 599.3555 2.95 0.003 592.5771 2942.007
mpg | -294.1955 59.50419 -4.94 0.000 -410.8216 -177.5695
_cons | 11905.42 1343.753 8.86 0.000 9271.709 14539.12
-------------+----------------------------------------------------------------
sf_lnvar |
_cons | 15.6727 .2476991 63.27 0.000 15.18722 16.15818
------------------------------------------------------------------------------
. nlcom indirect_effect:[rf_mean]_b[1.foreign] - [sf_mean]_b[1.foreign]
indirect_e~t: [rf_mean]_b[1.foreign] - [sf_mean]_b[1.foreign]
---------------------------------------------------------------------------------
| Coef. Std. Err. z P>|z| [95% Conf. Interval]
----------------+----------------------------------------------------------------
indirect_effect | -1455.034 488.1763 -2.98 0.003 -2411.841 -498.2255
---------------------------------------------------------------------------------
Si no le importan los errores estándar, esto se puede hacer con dos regresiones separadas en lugar de la Estimación aparentemente no relacionada.