Granger Mediation Analysis of Multiple Time Series with an Application to fMRI
对来自复杂实验研究的复杂数据进行中介分析变得越来越流行。在本文中,我们提出了格兰杰中介分析(GMA),一个新的框架,因果中介分析的多个时间序列。这个框架的动机是一个功能性磁共振成像(fMRI)的实验,我们有兴趣在一个随机的刺激时间序列和大脑活动的时间序列从两个大脑区域之间的中介作用估计。因此,对于这种类型的时间序列数据来说,因果中介分析的稳定单元处理假设是不切实际的。为了应对这一挑战,我们的框架集成了两种类型的模型:跨变量的因果中介分析和跨时间观测的向量自回归模型。我们进一步扩展这个框架来处理多层次的数据,以解决个体的变异性和相关的错误之间的调解人和结果变量。这些模型不仅为时间序列数据提供了有效的因果调解,而且还对跨时间的因果动态进行了建模。我们表明,在我们的模型中的建模参数是可识别的,我们开发的计算效率的方法,以最大限度地提高基于似然的优化标准。仿真研究表明,与现有方法相比,该方法降低了估计偏差,提高了统计功效。在一个真实的fMRI数据集上,我们的方法不仅推断了大脑通路的因果效应,而且准确地捕捉了结果区域对中介区域的反馈效应。
2017-09-15 stat.AP stat.ME stat.ML
Functional Mediation Analysis with an Application to Functional Magnetic Resonance Imaging Data
因果中介分析被广泛用于将治疗的因果效应分为对结果的直接效应和通过中介变量(中介变量)的间接效应。在这项研究中,我们介绍了一个功能中介分析框架,其中的三个关键变量,治疗,调解人和结果,都是连续的功能。对于功能性测量,因果假设和解释并不能立即得到很好的定义。受功能性磁共振成像(fMRI)研究的启发,我们提出了两种基于中介影响的功能性中介模型:(1)并发中介模型和(2)历史中介模型。我们进一步讨论因果假设,并阐明因果解释。我们提出的模型能够估计个体因果效应曲线,其中直接和间接效应随时间变化。应用于基于任务的功能磁共振成像研究,我们说明了我们的功能调解框架提供了一个新的视角来研究动态脑连接。CRAN上提供了R软件包cfma。
2018-05-17 stat.AP
MediEncoder: Nonlinear Representation Learning for High-Dimensional Causal Mediation Analysis
Boston University(波士顿大学)
提出MediEncoder框架,通过耦合编码器-解码器和交叉因子网络学习低维表示,结合交叉拟合高效影响函数估计自然直接和间接效应,实现高维非线性中介分析的多重稳健估计。
2026-07-01 cs.LG math.ST stat.ME
Representation Learning for Semiparametric Causal Mediation Analysis under No Essential Heterogeneity
Methods Center University of Tübingen(图宾根大学方法中心)
该研究针对半参数因果中介分析提出UNIT方法,通过两阶段估计,第一阶段用TARNet学习共享协变量表示估计异质效应,为权重函数提供插件近似以识别结构参数,模拟显示其能有效降低标准误差,提升估计精度。
2026-07-14 cs.LG stat.ML
Causal Mediation Analysis with Multiple Treatments and Latent Confounders
因果中介分析是通过中介变量或中介变量来评估治疗对目标结果的直接和间接因果效应,但在实际应用中,由于中介变量不能随机分配,直接和间接因果效应难以识别。在这篇文章中,我们考虑一个因果模型,包括潜在的混杂因素之间的调解人和结果。我们提出了充分的条件,确定直接和间接的影响,并提出了一种方法来估计它们。所提出的方法的性能进行了评估,通过仿真研究。最后,我们将该方法应用于一个电信公司的客户忠诚度调查数据集。
2020-01-13 stat.AP stat.ME
Efficient nonparametric estimation of causal mediation effects
项目评估和科学研究的一个基本目标是调查因果机制。在过去的几十年里,因果中介分析被用于医学和社会科学,将处理效应分解为自然的直接效应和间接效应。然而,所有现有的中介分析方法都以这样或那样的方式依赖于参数建模假设,通常需要研究人员指定涉及治疗,中介,结果和治疗前混杂因素的多元回归模型。为了克服这一局限性,我们提出了一种新的非参数估计方法的因果中介分析,消除了应用研究人员模型多个条件分布的需要。所提出的方法通过加权每个观察值来平衡治疗组和对照组之间的经验矩;特别是,我们建立了所提出的估计量是全局半参数有效的。我们还展示了如何一致地估计所提出的估计量的渐近方差,而无需额外的努力。最后,我们将所提出的方法扩展到其他相关的设置,包括因果中介分析与多个调解人。
2016-01-14 stat.ME
Extracting Mechanisms from Heterogeneous Effects: An Identification Strategy for Mediation Analysis
Duke University(杜克大学)
本文提出一种新的识别策略,同时估计处理和中介效应,结合显性与隐性中介分析,利用异质处理效应,无需处理未观察到的混杂因素,通过蒙特卡洛模拟验证其准确性,应用于公共资源治理和投票信息研究。
2026-05-10 econ.EM stat.ME
Insights into the "cross-world" independence assumption of causal mediation analysis
因果中介分析是流行病学研究的一个有用工具,但它一直被批评依赖于“跨世界”的独立性假设,这是经验上难以验证和有问题的证明基础上的背景知识。在本文中,我们的目的是帮助应用研究人员理解这一假设。综合什么是已知的跨世界的独立性假设,我们讨论的因果中介分析,因果模型,自然的直接和间接影响的非参数识别的假设之间的关系。特别是,我们给出了一个实际的例子,应用设置的跨世界的独立性假设被违反,即使没有任何后处理混杂。此外,我们回顾了跨世界独立性假设的可能替代方案,包括使用完全避免假设的边界计算。最后,我们进行了一个数值研究,其中违反了跨世界的独立性假设,以评估随之而来的偏见,估计自然的直接和间接影响。最后,我们建议进行因果中介分析。
2020-09-30 stat.ME
Estimating Heterogeneous Causal Mediation Effects with Bayesian Decision Tree Ensembles
因果推断文献越来越多地认识到,明确针对处理效应异质性可以提高科学认识和政策建议。为了达到同样的目的,研究治疗与结果之间的因果关系也是有用的。本文将在\emph{causal mediation analysis}的背景下解决这些问题。我们引入了一个基于贝叶斯加性回归树的变系数模型来识别和规范异质因果中介效应;类似于线性结构方程模型,这些效应对应于系数的协变量依赖性产物。我们发现,即使在协变量很少的大型数据集上,LSEM也可以对条件平均直接和间接效应产生高度不稳定的估计,而我们的\emph{Bayesian causal mediation forests}模型产生稳定的估计。我们发现,我们的方法是保守的,效果估计“缩小到同质性。我们使用来自医疗支出面板调查的数据和基于模拟数据的数据来检查我们方法的显著特性。最后,我们展示了如何将我们的模型与后验总结策略相结合,以识别有趣的子群并解释模型拟合。
2023-03-02 stat.AP stat.ME
A Reinforcement Learning Framework for Dynamic Mediation Analysis
North Carolina State University(北卡罗来纳州立大学);University of Michigan, Ann Arbor(密歇根大学安娜堡分校);London School of Economics and Political Science(伦敦政治经济学院)
提出首个强化学习框架,在无限时域下分解并估计动态中介效应,通过数值研究和移动健康数据验证其有效性。
2023-09-03 cs.LG stat.ME stat.ML
Semiparametric causal mediation analysis of cluster-randomized trials for indirect and spillover effects
Washington University in St. Louis(华盛顿大学圣路易斯分校);Yale School of Public Health(耶鲁公共卫生学院)
本文提出半参数效率理论,开发双重稳健方法,用于估计集群随机试验中的间接效应、个体中介效应和溢出效应。
2026-01-09 stat.ME
Causal mediation analysis with one or multiple mediators: a comparative study
本文系统比较单中介与多中介因果分析中的经典及先进估计量,通过模拟和 UK Biobank 数据验证多重稳健与双重机器学习方法的优势,并给出建模假设与估计选择指南。
2025-05-12 stat.AP stat.ML
Semiparametric Estimation for Causal Mediation Analysis with Multiple Causally Ordered Mediators
因果中介分析关注的是治疗影响结果的途径。虽然大多数的调解文献集中在设置与一个单一的调解人,一个蓬勃发展的研究线已经检查设置涉及多个调解人,根据路径特异性效应(PSE)往往是感兴趣的。我们考虑估计PSE时,处理效应通过K(\geq 1)因果有序,可能是多变量介质。在这种情况下,许多因果路径的PSE没有非参数化确定,我们专注于一组PSE下珍珠的非参数结构方程模型确定。这些PSE被定义为2^{K+1}个潜在结果的期望之间的对比,并通过我们所谓的广义中介功能(GMF)来识别。我们介绍了一系列的回归插补,加权,和“混合”估计,特别是,两个K+2-鲁棒和局部半参数有效估计的GMF。后者的估计是非常适合使用的数据自适应方法来估计他们的滋扰功能。我们建立了半参数效率的滋扰功能所需的速率条件。我们还讨论了我们的框架如何适用于几个被估量,可能是特别感兴趣的实证应用。所提出的估计与模拟研究和实证例子说明。
2021-11-10 stat.ME
Causal mediation in cluster-randomized trials with multiple mediators: spillover-aware decomposition, identification, and semiparametric efficient inference
Yale School of Public Health(耶鲁大学公共卫生学院)
本文提出了一种统一框架,用于研究集群随机试验中多重中介的因果机制,引入了可解释的因果假设,并通过模拟研究评估了所提估计量的有限样本性能。
2026-04-12 stat.ME
Testing Full Mediation of Treatment Effects and the Identifiability of Causal Mechanisms
University of Fribourg(弗里堡大学);University of Munich(慕尼黑大学);ifo Institute(伊弗经济研究所);Matej Bel University(马特伊·贝尔大学);Norwegian School of Economics(挪威经济学院)
提出检验随机分配治疗是否完全通过中介变量影响结果,以及不同中介的因果机制是否可识别,并扩展至非随机治疗情形。
2026-06-05 econ.EM stat.ML
Clarifying causal mediation analysis for the applied researcher: Defining effects based on what we want to learn
在中介分析中纳入因果推断导致了理论和方法上的进步-具有因果解释的效应定义、效应识别所需假设的澄清以及效应估计的一系列扩大的选择。然而,这些结果的文献是快速增长和复杂的,这可能是混乱的研究人员不熟悉因果推断或不熟悉调解。本文的目的是帮助理解和采用因果中介分析。它首先突出了因果推断和传统方法之间的关键区别中介分析,并提出了明确的因果思维和因果推断方法在中介分析的需要。然后用尽可能简单的语言解释现有的效果类型,特别注意用不同类型的研究问题激发这些效果,并用具体的例子进行说明。本演示区分了两种观点(或分析目的):解释性观点(旨在解释总效应)和干预性观点(询问有关暴露和中介的假设干预措施或假设修改的暴露的问题)。对于后一种观点,本文提出利用一般类的干预效果,其中包含作为特例的大多数通常的效果类型-干预的直接和间接效果,控制的直接效果,也是一个广义的干预直接效果类型,以及总效果和整体效果。这个通用类允许灵活的效应定义,比标准的干预性直接和间接效应更好地匹配许多研究问题。
2020-05-15 stat.ME
A Bayesian Non-parametric Approach for Causal Mediation with a Post-treatment Confounder
提出一种贝叶斯非参数方法,通过富化狄利克雷过程混合模型处理存在处理后混杂因素时的因果中介分析,可估计自然直接效应和间接效应,并在模拟和Rural LITE试验中验证了其有效性。
2023-05-08 stat.AP stat.ME
Comparative Causal Mediation and Relaxing the Assumption of No Mediator-Outcome Confounding: An Application to International Law and Audience Costs
实验通常包括多种治疗,主要目标是比较这些治疗的因果效应。本研究的重点是通过使用因果中介分析比较多种治疗的因果解剖。它提出了一套新的比较因果调解(CCM)estimands比较不同的治疗,通过一个共同的调解人的调解效果。此外,它推导出一组CCM估计量的属性,并显示这些估计量是一致的(或保守的)的假设下,不需要没有未观察到的混杂的中介-结果的关系,这是一个强大的和不可反驳的假设,通常必须作出一致的估计个别因果中介效应。为了说明这种方法,本研究提出了一个原始的应用程序,调查是否以及如何外交政策承诺的国际法律地位,可以增加国内政治的“观众成本”,民主政府违反这样的承诺。研究结果提供了新的证据表明,国际合法化可以通过多种因果渠道提高受众成本,包括通过放大违反承诺的不道德行为。
2019-07-01 stat.AP stat.ME
Causal Mediation Analysis with Multi-dimensional and Indirectly Observed Mediators
Duke University(杜克大学);University of Michigan Ross School of Business(密歇根大学罗斯商学院)
针对现有因果中介分析方法难以处理多维、间接观测中介变量的局限,提出基于iVAE的可辨识框架,可解耦表征潜中介变量并准确估计效应,具备实际应用潜力。
2023-06-13 cs.LG stat.ML
Disentangled Representation for Causal Mediation Analysis
University of South Australia(南澳大利亚大学);Guangxi Normal University(广西师范大学);Simon Fraser University(西蒙菲莎大学)
本文提出 DMAVAE,通过将潜在混杂因素解耦为三类并采用逐段去混杂假设,替代序列可忽略性,以准确估计因果中介的自然直接、间接和总效应。
2023-12-16 cs.LG stat.ME
Temporal Causal Mediation through a Point Process: Direct and Indirect Effects of Healthcare Interventions
Aalto University(阿尔托大学);Helsinki University Hospital(赫尔辛基大学医院);University of Helsinki(赫尔辛基大学)
针对现有动态因果中介分析的局限,提出基于时间点过程的非参数中介-结局模型,可准确估计医疗干预的直接与间接效应轨迹,在半合成和真实医疗数据上均验证有效。
2023-06-16 cs.LG stat.ME
Causal mediation analysis decomposition of between-hospital variance
对于给定的疾病特异性质量指标的因果方差分解可以用于量化医院或卫生保健提供者之间的性能差异。虽然方差分解可以证明护理质量的变化,因果中介分析可以用来研究护理途径,导致机构之间的性能差异。这就提出了一个问题,即这两种方法是否可以结合起来,将结果类型指标中的医院间变异分解为通过给定过程(间接效应)介导的变异和由于所有其他途径(直接效应)而产生的剩余变异。为此,我们推导出医院间方差的因果中介分析分解,讨论其解释,并提出了一种基于广义线性混合模型的结果和中介的估计方法。我们研究的估计在模拟研究中的性能,并证明其使用在安大略省肾癌护理的行政数据。
2023-01-25 stat.ME
Robust Inference for Causal Mediation Analysis of Recurrent Event Data
本文针对复发事件数据提出一种新的因果中介分析方法,在反事实框架下定义直接与间接效应,并开发三重稳健半参数估计量,用于评估糖尿病药物对心血管事件复发的影响及肾功能的中介作用。
2023-05-11 stat.ME
Causal Mediation and Sensitivity Analysis for Mixed-Scale Data
因果中介分析的目标通常在潜在结果框架中描述,是沿着不同的因果路径分解暴露对感兴趣结果的影响。Imai et al.(2010)使用序贯可验证性假设来实现非参数识别,提出了一种测量中介效应的灵活方法,重点关注结果和中介的参数和半参数正态/伯努利模型。较少关注的情况下,结果和/或中介模型是混合规模,有序,或以其他方式落在正常/伯努利设置。我们开发了一个简单的,但灵活的,参数化建模框架,以适应常见的情况下,反应是混合连续和二进制,并将其应用到0 - 1膨胀贝塔模型的结果和调解人。将我们提出的方法应用于公开的JOBS II数据集,我们(i)认为需要非正态模型,(ii)展示如何估计边界删失数据的平均值和分位数中介效应,以及(iii)展示如何通过引入未识别的,科学上有意义的敏感性参数来进行有意义的敏感性分析。
2021-11-06 stat.AP stat.ME
Semi- and non-parametric approaches to individualized treatment regimes in the presence of causal mediation
McGill University(麦吉尔大学);Virginia Commonwealth University(弗吉尼亚联邦大学)
提出贝叶斯半参数和非参数估计器估计条件中介效应,用于优化个体化治疗方案,并应用于丙肝阳性供体肾移植分配。
2026-06-23 stat.ME
Dynamic Causal Mediation Analysis for Intensive Longitudinal Data
本文针对密集纵向数据,提出自然直接和间接漂移效应这一新型因果中介分析方法,推导了多重稳健估计量并证明其渐近正态性,为时变暴露与远端结果间的中介路径评估提供了灵活且可靠的解决方案。
2025-06-24 stat.ME
Causal Mediation Analysis with a Three-Dimensional Image Mediator
本文提出一种以三维图像为中介变量的因果中介分析方法,在潜在结果框架下给出识别条件与估计推断技术,并通过模拟和分娩方式对儿童智商影响的研究验证了额颞区白质的中介效应。
2023-07-07 stat.ME
Scaling Causal Mediation for Complex Systems: A Framework for Root Cause Analysis
Amazon Luxembourg, LU(亚马逊卢森堡);Amazon New York, NY(亚马逊纽约);Amazon Seattle, WA(亚马逊西雅图)
本文提出了一种适用于大规模因果DAGs的可扩展中介分析框架,通过分解总效应为可解释的直接和间接成分,解决复杂系统中因果中介分析的扩展问题。
2026-11-02 cs.AI econ.EM stat.ME
A Unified Three-Stage Weighting Framework for Causal Inference and Mediation Analysis under Case-Control Sampling
Institute of Statistical Research and Training (ISRT)(统计研究与培训研究所);University of Dhaka(达卡大学)
针对病例对照研究中回顾性抽样导致的人群结局分布扭曲问题,提出三阶段加权框架,结合密度比学习、标签偏移校正和边际结构模型,估计总效应和路径特异性中介效应。
2026-10-28 stat.ME
Estimating Causal Mediation Effects under Correlated Errors
因果中介分析通常需要强有力的假设,如中介的可解释性,这在许多社会和科学研究中可能不成立。基于功能磁共振成像(fMRI)的多水平随机处理实验,提出了一种适用于分层嵌套结构数据的多水平因果中介框架,该框架能够在中介者和结果存在结构化不可测混杂的情况下提供有效的推理。对于第一级数据,我们提出了一个线性结构方程模型的连续介质和连续的结果,这两个可能包含相关的附加误差。提出了一种基于似然的方法来估计模型系数。我们的估计的分析特征的不可识别性问题,由于相关参数。为了解决可识别性问题和模型的可变性,在多级数据,我们建议将多个第一级中介模型在不同的级别在一个统一的多级中介框架。该优化算法同时估计所有的模型系数,其创新之处在于从数据中估计未知的相关参数,而不是进行敏感性分析。我们的渐近分析表明,相关参数是可识别的,我们的中介效应的估计是一致的参数收敛速度。使用广泛的模拟数据和一个真正的fMRI数据集,我们证明了我们的方法比现有的方法的改进。
2017-07-07 stat.AP
Semiparametric causal mediation analysis with unmeasured mediator-outcome confounding
虽然在中介效应的研究中可以随机分配暴露,但对中介者进行任何形式的直接干预往往是不可行的。因此,无法测量的中介结果混淆很少可以排除。我们提出了半参数识别自然的直接和间接影响的存在下,未测量的中介结果混淆利用异方差性的限制所观察到的数据法。对于推理,我们开发半参数估计,保持一致的部分误指定的观测数据模型。我们通过模拟和应用程序来说明所提出的估计量,以评估COVID-19爆发期间自我效能对医护人员疲劳的影响。
2021-09-29 stat.ME
Exploring Causal Mediation Analysis in Bacterial Vaginosis Challenges
针对BV微生物组数据高维、组成性且样本小的问题,本文比较因果中介效应估计方法,突出经验分布法,并构建暴露、中介与结局模型以识别介导BV风险的细菌分类群。
2025-07-28 stat.AP
A Bayesian semi-parametric approach to causal mediation for longitudinal mediators and time-to-event outcomes with application to a cardiovascular disease cohort study
针对队列研究中纵向中介变量和时变混杂因素导致的因果中介分析复杂问题,提出基于贝叶斯加法回归树(BART)模型的方法,可处理连续/二元时变变量及竞争事件,应用于ARIC队列研究评估药物对心血管疾病死亡时间的影响。
2024-11-27 stat.AP stat.ME
Bayesian Methods for Multiple Mediators: Relating Principal Stratification and Causal Mediation in the Analysis of Power Plant Emission Controls
发电厂安装的排放控制技术是美国许多空气污染法规的关键特征。虽然这些法规是基于排放、环境空气污染和人类健康之间的假定关系,但其中许多关系从未得到经验验证。本文的目标是开发新的统计方法来量化这些关系。我们把这个问题作为一个中介分析来评估特定控制技术对环境污染的影响在多大程度上是通过对发电厂排放的因果影响来介导的。由于发电厂排放的各种化合物,有助于环境污染,我们开发的多个中间变量,同时测量的新方法,可能会相互作用,并可能表现出联合调解效果。具体来说,我们提出了新的方法,利用两个相关的框架,在存在中介变量的因果推断:主要分层和因果中介分析。我们定义了基于多个介质的主要影响,并引入了一个新的分解的总影响的干预对环境污染的自然直接影响和自然间接影响的所有组合的介质。这两种方法都锚定到相同的离散数据模型,我们指定与贝叶斯非参数技术。我们提供了估计主要因果效应的假设,然后用因果中介分析所需的额外假设来增强这些假设。这两个分析,解释串联,提供了第一个实证调查的假定因果路径,激励重要的空气质量监管政策。
2019-02-17 stat.ME
crumble: A comprehensive framework for modern causal mediation analysis with intermediate confounding
New York University Grossman School of Medicine(纽约大学格罗斯曼医学院);University of California, Berkeley(加州大学伯克利分校);Columbia University(哥伦比亚大学)
本文介绍了crumble框架,用于非参数估计中介参数,尤其在处理连续或多维中介变量及非二元治疗时,提供易于使用的指南和案例研究。
2026-04-10 stat.AP stat.ME
Nonparametric Bounds in Causal Mediation Analysis in the Presence of Unmeasured Confounding and Imperfect Compliance
针对存在未测量混杂和不依从时因果中介参数不可识别的问题,本文扩展了Sjölander的非参数界方法,推导了随机对照试验中ACME、NDE及依从者子群体局部因果参数的非参数锐界,并通过工作搜索干预研究数据集验证了其实用性。
2025-09-02 stat.ME
Semiparametric Bayesian inference for causal mediation in cluster randomized trials
University of Florida(佛罗里达大学);Brown University(布朗大学);NYU Grossman School of Medicine(纽约大学格罗斯曼医学院)
针对整群随机试验中群组数量少、中介变量在群组层面测量时的因果中介分析难题,提出一种结合参数贝叶斯模型和相似性加权贝叶斯自助法的稳健推断框架,准确估计自然直接和间接效应。
2026-06-12 stat.AP stat.CO stat.ME
Causal mediation with instrumental variables
中介分析是一种理解治疗或干预影响后期结果的机制的策略。中介分析经常应用于随机试验环境,但通常假设:a)随机分配是关注的暴露,而不是实际接受干预,b)没有未观察到的中介-结果关系的混杂。与关于估计非随机化暴露总效应的工具变量(IV)方法的丰富文献相反,几乎没有研究将IV用作存在确定结果和中介结果未观察到混杂的识别策略。作为回应,我们定义并确定了新的被估量--复杂的干预直接和间接效应(即,IV中介效应)在两种情况下:1)单一IV暴露,2)两个IV,一个暴露,另一个中介,这可能是相关的。我们提出了非参数的,强大的,有效的估计,并将其应用到住房券实验。
2021-12-27 stat.ME
A Causal Mediation Model for Longitudinal Mediators and Survival Outcomes with an Application to Animal Behavior
在动物行为研究中,一个共同的目标是调查暴露和结果之间的因果途径,以及介于两者之间的中介。因果中介分析为这类研究提供了原则性的方法。虽然许多应用程序涉及纵向数据,现有的因果调解模型是不直接适用于设置中的介质测量不规则的时间网格。在本文中,我们提出了一个因果中介模型,同时容纳纵向介质在任意时间网格和生存结果。我们采取功能数据分析的角度来看,纵向介质的实现基础平滑随机过程。我们相应地定义了直接和间接影响的因果估计,并提供了相应的识别假设。我们采用功能主成分分析的方法来估计中介过程,并提出了一个Cox风险模型的生存结果,灵活地调整中介过程。然后,我们推导出一个g-计算公式来表示因果被估量使用的模型系数。所提出的方法被施加到一个纵向数据集从Amboseli狒狒研究项目,调查早期逆境,成年生理应激反应,野生雌性狒狒之间的生存之间的因果关系。我们发现,在早期生活中经历的逆境对女性的预期寿命和生存概率有显着的直接影响,但几乎没有证据表明,这些影响是由成年期的应激反应的标志物介导的。我们进一步发展了一种敏感性分析方法来评估潜在违规对顺序可验证性这一关键假设的影响。
2022-02-12 stat.AP stat.ME
Estimation of Heterogeneous Causal Mediation Effects in a Hypertension Treatment Trial
Indiana University School of Medicine(印第安纳大学医学院)
本文提出了一种新的框架,用于估计高血压治疗试验中异质因果中介效应,通过结合协变量-治疗和中介-治疗相互作用,揭示了尿蛋白治疗效果的异质性。
2025-12-12 stat.AP
Causal Mediation Analysis for Zero-inflated Mixture Mediators
本文针对零膨胀混合中介变量提出基于有限混合分布的因果中介建模方法,推导两部分中介效应,并通过EM算法估计和模拟及神经科学应用验证其优于标准方法。
2025-07-21 stat.ME
Bounds for causal mediation effects
University of Copenhagen(哥本哈根大学);Leibniz Institute for Prevention Research and Epidemiology – BIPS(莱布尼茨预防流行病学研究所);University of Bremen(不来梅大学)
本文研究了因果中介效应的界限,比较了不同框架下的界限,并通过实验数据验证了这些界限的应用。
2025-12-20 stat.ME
Disentangling Causal Mechanisms in Conjoint Experiments Using Mediation
College of Management, EPFL(EPFL管理学院);Department of Government, University of Texas at Austin(德克萨斯大学奥斯汀分校政府系);Department of Statistics, Rutgers University(罗格斯大学统计系)
联合实验难以理解因果机制,本文提供替代框架,通过额外简单实验结合因果中介标准假设来学习属性关系,用机器学习方法双稳健估计相关效应,以候选人选择实验为例说明。
2026-07-07 stat.AP stat.ME
Causal Mediation Analysis for Sparse and Irregular Longitudinal Data
因果中介分析旨在研究暴露对结局的处理效应如何通过中介变量进行中介。虽然许多应用涉及纵向数据,现有的方法是不直接适用于设置中的调解人和结果测量稀疏和不规则的时间网格。我们从功能数据分析的角度扩展了现有的因果中介框架,将稀疏和不规则的纵向数据视为底层平滑随机过程的实现。我们相应地定义了直接和间接影响的因果估计,并提供了相应的识别假设。对于估计和推断,我们采用了一个功能的主成分分析方法的降维,并使用前几个功能的主成分,而不是整个轨迹的结构方程模型。我们采用贝叶斯范式来准确地量化不确定性。所提出的方法的操作特性,通过模拟检查。我们将所提出的方法应用于肯尼亚野生狒狒种群的纵向数据集,以调查早期逆境,动物之间的社会联系强度和成人糖皮质激素浓度之间的因果关系。我们发现,早期逆境对女性成年期糖皮质激素浓度有显著的直接影响(增加9-14%),但几乎没有证据表明这些影响是由弱社会关系介导的。
2021-02-23 stat.AP
The positivity assumption in causal mediation analyses? Checked!
Université Laval(拉瓦尔大学);Centre de Recherche du CHU de Québec - Université Laval(魁北克大学医院研究中心-拉瓦尔大学);Université de Montréal(蒙特利尔大学);Centre de recherche Azrieli, CHU Sainte-Justine(阿兹里埃研究中心,圣朱斯蒂娜大学医院);Université du Québec à Montréal(蒙特利尔大学);Faculté de Pharmacie, Université de Montréal(蒙特利尔大学药学院);McGill University(麦吉尔大学)
研究针对因果中介分析中常被忽视的正性假设,将PoRT算法扩展到多种中介效应,通过心理健康应用展示其用法,还讨论了正性假设违背的后果及建议,为因果中介分析提供了有效检验方法。
2026-07-29 stat.AP stat.ME
Causal mediation analysis with mediator values below an assay limit
因果间接效应和直接效应提供了一种可解释的方法,用于将暴露对结果的总效应分解为通过中介的效应和通过所有其他途径的效应。当介体是生物标志物时,值可以受到测定下限的影响。介体受治疗影响,并且是结果的假定原因,因此测定下限在中介分析中呈现出复杂的问题。我们提出了三种方法来估计间接和直接影响的中介受检测限制:1。外推法2.数值优化和积分的观察可能性和3.蒙特卡罗期望最大化(MCEM)算法。由于所描述的方法完全依赖于所谓的中介公式,它们适用于大多数因果中介分析方法:自然的,可分离的,有机的间接和直接影响。一项模拟研究比较了估算方法与一半测定限的插补。使用来自AIDS临床试验组的HIV中断研究数据[Li et al. 2016,AIDS; Lok \& Bosch 2021,Epidemiology],我们通过估计假设的HIV治愈性治疗对由两种HIV持续性指标介导的病毒抑制的有机/纯间接效应来说明我们的方法:细胞相关HIV-RNA(N = 124)和单拷贝血浆HIV-RNA(N = 96)。
2021-07-30 stat.ME
Causal Meta-Mediation Analysis: Inferring Dose-Response Function From Summary Statistics of Many Randomized Experiments
在互联网行业中,使用离线开发的算法来为有助于企业成功的在线产品提供动力是很常见的。离线开发的算法由离线评估指标指导,这些指标通常与在线业务关键绩效指标(KPI)不同。为了最大限度地提高业务KPI,在所有可用的离线评估指标中选择北极星是很重要的。通过指出在线产品可以通过在线评估指标来衡量,在线评估指标是离线评估指标的在线对应物,我们将问题分解为两部分。由于离线A/B测试文献得出了第一部分:离线评估指标的反事实估计量,其移动方式与在线评估指标相同,因此我们关注第二部分:在线评估指标对业务KPI的因果影响。离线评估指标的北极星应该是其在线对应物导致业务KPI最显着提升的指标。我们建模的在线评价指标作为一个中介,并正式确定其因果关系的业务KPI的剂量反应函数(DRF)。我们的新方法,因果Meta中介分析,利用许多现有的随机实验的汇总统计,以确定,估计和测试的调解人DRF。它易于实施和扩大规模,并且与中介分析和荟萃分析的文献相比具有许多优点。我们证明了它的有效性,通过模拟和实际数据上的实现。
2020-06-17 math.ST stat.AP stat.ME
Clarifying causal mediation analysis: Effect identification via three assumptions and five potential outcomes
因果中介分析是复杂的多效应定义,需要不同的假设识别。本文对这些假设进行了系统的解释。我们定义了五种潜在的结果类型,其手段涉及各种效果定义。我们处理它们的均值/分布的识别,从需要最弱假设的均值/分布开始,逐渐建立到需要最强假设的均值/分布。这个演示清楚地表明了为什么一个假设是需要一个被估量,而不是另一个,并提供了一个简洁的表格,应用研究人员可以从中挑选出所需的假设,以确定他们的目标因果效应。使用一个运行的例子,本文说明了组装和考虑确定一系列的因果对比的假设。对于在文献中经常遇到的几个问题,这项工作澄清了识别需要比文献中经常提到的假设更弱的假设。这种对细节的关注也引起了人们对不同被估量的积极性假设差异的关注,并具有实际意义。明确这些不同被估量的识别假设将有助于研究人员进行适当的中介分析,并在考虑到假设的合理性的情况下适当谨慎地解释结果。
2022-07-07 stat.ME
Semiparametric theory for causal mediation analysis: Efficiency bounds, multiple robustness and sensitivity analysis
虽然估计点暴露对结果的边际(总)因果效应可以说是健康和社会科学实验和观察研究中最常见的目标,但近年来,研究人员对中介分析也越来越感兴趣。具体而言,在评估暴露的总效应时,研究者通常希望通过中介变量或非中介变量推断暴露效应的直接或间接途径,该途径发生在暴露之后和结果之前。虽然强大的半参数方法已经开发出来,以分析观察性研究,产生双重稳健和高度有效估计的边际总因果效应,类似的方法,目前缺乏中介分析。因此,本文开发了一个一般的半参数框架,用于获得关于所谓的边际自然直接和间接因果效应的推论,同时适当地考虑了大量的曝光前混杂因素的曝光和中介变量。我们的分析框架是特别有吸引力的,因为它提供了新的见解,在调解分析的背景下的效率和鲁棒性的问题。特别是,我们提出了新的多重鲁棒局部有效估计的边际自然间接和直接因果效应,并开发了一种新的双稳健灵敏度分析框架的中介变量的可扩展性的假设。
2012-10-17 math.ST stat.TH
Causal mediation analysis in presence of multiple mediators uncausally related
本文针对未观测共同原因导致中介变量间存在虚假相关性的问题,证明了自然直接效应和联合间接效应的非参数可识别性,并提出基于反事实分布模拟的准贝叶斯估计方法,通过模拟和真实队列数据验证了其有效性。
2019-08-19 stat.ME
Debiased Causal Mediation Analysis in Ultra-High-Dimensional Settings in the Presence of Interaction Effects
Department of Mathematics and Statistics, Boston University(波士顿大学数学与统计系)
本文针对超高维且存在交互效应的情形,提出多步去偏技术用于因果中介分析,证明所提估计量的渐近性质,经模拟和TCGA肺癌数据集验证了方法的有效性。
2026-08-13 math.ST stat.ME stat.TH
On estimating causal controlled direct and mediator effects for count outcomes without assuming sequential ignorability
因果中介分析是社会和医学研究中的一种重要统计方法,因为它可以提供关于干预措施为何有效的见解,并为未来干预措施的发展提供信息。目前,大多数因果调解方法集中在平均尺度上定义的调解效果。然而,在健康风险研究中,如酒精或危险性行为,结果通常是计数数据和严重倾斜。因此,在这些设置中的中介效应在率比尺度上是自然的,例如在泊松和负二项回归方法中。现有的方法也主要依赖于假设没有不可测量的中介和结果之间的混杂。为了允许潜在的混杂因素之间的中介和结果,我们定义了一个新的规模上的直接和中介的影响,并提出了一个乘法结构平均模型的中介分析计数结果。估计量进行了比较,泊松和负二项回归方法,假设连续可扩展性使用模拟研究和现实世界的例子,酒精相关的干预研究。使用新方法的中介分析证实了研究假设,即干预通过减少个体对酒精使用的规范性认知来减少饮酒。
2016-01-25 stat.ME
Sequential Transport for Causal Mediation Analysis
Université du Québec à Montréal (UQAM)(魁北克大学蒙特利尔分校);Ukrainian Catholic University(乌克兰天主教大学);Kyoto University(京都大学);Aix Marseille Université, CNRS, AMSE(阿维尼翁-马赛大学,法国国家科学研究中心,AMSE);CNRS - Université de Montréal CRM – CNRS(法国国家科学研究中心 - 蒙特利尔大学 CRM – 法国国家科学研究中心)
本文提出序列运输框架,结合最优运输与中介有向无环图,构建单位层面的中介反事实,通过最小运输实现中介分布的归一化,适用于数值和分类中介变量,证明了方法的一致性及因果解释能力。
2026-03-22 cs.LG stat.ME
Multiply Robust Causal Mediation Analysis with Continuous Treatments
Division of Biostatistics, Department of Population Health Sciences, University of Utah(犹他大学人口健康科学系生物统计部);Department of Mathematics and Statistics, Boston University(波士顿大学数学与统计系);Department of Computer Science, Johns Hopkins University(约翰霍普金斯大学计算机科学系)
本文提出一种适用于连续处理的中介分析方法,通过核平滑技术实现多重稳健性和渐近正态性,避免强参数假设。
2026-11-18 cs.LG econ.EM math.ST