Causal Mediation Analysis for an Interrupted Time Series: Stabilized Mediator Weighting with an Application to a Vehicle Emissions Policy
University of Manitoba（曼尼托巴大学）
该研究构建了单一中断时间序列的因果中介分析框架，采用稳定中介加权估计自然直接与间接效应，经模拟和安大略省车辆排放政策案例验证，有效降低了中介-结果混杂下的偏差并提升了效应估计的覆盖率。
2026-08-20 stat.ME
Mediation Analysis for Sparse and Irregularly Spaced Longitudinal Outcomes with Application to the MrOS Sleep Study
本文提出面向标量暴露、高维中介变量与稀疏不规则纵向结局的中介分析方法，并用于 MrOS Sleep 研究识别休息-活动节律影响认知衰退的脂质通路。
2025-06-09 stat.AP stat.ME
PCM Selector: Penalized Covariate-Mediator Selection Operator for Evaluating Linear Causal Effects
Chugai Pharmaceutical Co., Ltd.（中外制药株式会社）；Yokohama National University（横滨国立大学）
针对因协变量不可观测或高维共线性导致因果效应难以估计的问题，提出了两阶段惩罚回归方法PCM Selector，利用中间变量实现一致估计与变量选择以提高精度。
2025-03-05 cs.LG stat.ME
Network Mediation Analysis Using Model-based Eigenvalue Decomposition
本文提出了一种新的两阶段网络调解方法的基础上使用的潜在网络方法-基于模型的特征值分解-分析社会网络数据与节点协变量。在观测网络的分解阶段，不需要对潜在空间结构的度量进行假设。在调解阶段，网络的最重要的特征向量被用作调解人。该方法进一步提供了一种控制条件协变量的创新方法，它只考虑网络中剩余的信息。我们在一个详细的教程R代码中演示了这种方法，该代码针对四种不同的情况提供-无条件和有条件的基于模型的特征值分解，用于连续结果或二进制结果-以显示其对经验网络数据的适用性。
2019-10-15 stat.ME
On the Testing of complete causal mediation and its applications
本文研究完全中介检验（CMT）的理论性质，提出以标准化中介绝对比例（SAPM）作为新标准，并通过模拟和孟德尔随机化应用证明其优于传统方法，同时给出针对连续或二分类变量的最优阈值建议。
2025-07-18 stat.AP 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
Causal Mediation Analysis for Network Data with Graph Neural Network
Fudan University（复旦大学）
针对网络人群因果中介分析的无干扰假设缺陷，开发含处理与中介溢出效应的非参数框架，用图神经网络学习扰动函数，经模拟和中国农村农业保险实验验证了方法有效性。
2026-08-14 stat.ME
Testing Mediation Effects Using Logic of Boolean Matrices
中介分析正成为科学研究中越来越重要的工具。在高维中介分析中的一个中心问题是推断个体中介的重要性。主要的挑战是通过所有中介组合的可能路径的数量。大多数现有的中介推理解决方案要么明确规定，介质是有条件的独立的曝光，或忽略任何潜在的有向路径之间的介质。在这篇文章中，我们提出了一种新的假设检验程序来评估个人的调解效果，同时考虑到潜在的相互作用的调解员。因此，我们的建议填补了一个关键的空白，大大扩大了现有调解测试的范围。我们的核心思想是使用布尔矩阵的逻辑来构造检验统计量，这使得我们能够在原假设下建立适当的极限分布。我们进一步采用筛选、数据拆分和去相关估计来减少偏差并提高测试的功效。我们发现我们的测试可以控制的大小和错误发现率渐近，和测试的权力接近1，同时允许中介的数量发散到无穷大的样本量。我们通过模拟和阿尔茨海默病的神经影像学研究证明了我们的方法的有效性。
2021-02-20 stat.ME
Nonparametric heterogeneous causal mediation with orthogonal machine learning
Yale School of Public Health（耶鲁大学公共卫生学院）
提出正交机器学习框架估计条件异质性中介效应，通过加权Neyman正交损失和两阶段元学习实现，模拟中误差降低超50%，并在三个数据集上揭示异质性效应。
2026-09-10 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
Factor-Adjusted Multiple Testing for High-Dimensional Individual Mediation Effects
School of Data Science, Fudan University（复旦大学数据科学学院）；Business Division, New York University Shanghai（纽约大学上海分校商学院）
本文提出FADMT框架，通过因子调整实现高维个体中介效应的去偏推断与FDR控制，提升观测研究中对共享潜在变异驱动的虚假关联的鲁棒性。
2026-02-18 stat.ME
Methods for Large-scale Single Mediator Hypothesis Testing: Possible Choices and Comparisons
由于原假设的复合结构，H 0：α * β =0（α：调整混杂因素后暴露对介质的影响; β：调整暴露和混杂因素后介质对结果的影响），大量介质的介质假设检验具有挑战性。本文综述了三类多中介假设检验方法。除了这些现有的方法，我们开发了Sobel-comp方法，它使用修正的混合参考分布的Sobel的检验统计量。我们进行了广泛的模拟研究，比较所有六种方法在原假设下的假阳性率和备择假设下的真阳性率。我们发现，这类方法使用的混合参考分布可以最好地保持在名义水平的原假设下的假阳性率和备择假设下有最大的真阳性率。我们应用所有的方法来研究DNA甲基化位点的调解机制的途径，从成人的社会经济地位糖化血红蛋白水平使用的数据来自多种族研究动脉粥样硬化（MESA）。我们还提供了指导原则，选择最佳的调解假设检验方法在实践中。
2022-03-24 stat.AP stat.ME
Joint Mirror Procedure: Controlling False Discovery Rate for Identifying Simultaneous Signals
本文提出联合镜像（JM）程序，通过迭代缩小拒绝域控制有限样本下的FDR，并引入修正FDR（mFDR）度量，用于在多个假设联合检验中识别同时信号，模拟和实际数据分析验证了其控制误差和提升功效的能力。
2023-05-27 stat.ME
Identifying Damage Pathways Linking Sequence Composition to Storage Failure in DNA Data Storage via High-Dimensional Mediation Analysis
School of Mathematics and KL-AAGDM, Tianjin University（天津大学数学学院）；Center for Applied Mathematics, Tianjin University（天津大学应用数学中心）
本文提出高维半参数中介分析框架，以GC含量为暴露、损伤谱为中介，识别DNA存储失效途径，发现14个单碱基缺失中介，集中于C结尾三核苷酸，为优化存储可靠性提供机制导向方法。
2026-09-18 stat.AP
Debiased Front-Door Learners for Heterogeneous Effects
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文研究了前门识别下的异质治疗效应，提出两种去偏学习者FD-DR-Learner和FD-R-Learner，通过样本分割和假设证明其估计的可靠性与效率。
2026-05-08 cs.LG stat.ML
Optimality of testing procedures for survival data
大多数用于生存结局随机临床试验的治疗效果的统计检验是基于比例风险假设，这在实践中往往失败。来自早期探索性研究的数据可能提供非比例风险的证据，这可以指导实践改变验证性试验设计中替代检验的选择。我们研究了一个测试，以检测治疗效果的后期试验，占早期数据所建议的比例风险的偏差。有条件的早期阶段的数据，在所有的测试中，控制在一个固定的$α$水平的频率论I型差错率，我们的测试程序最大限度地提高贝叶斯预测的有限样本功率。因此，所提出的检验为存在非比例风险时常用的其他检验提供了有用的基准，例如加权对数秩检验。我们在一个基于已发表的癌症免疫治疗III期试验数据的模拟中说明了这种方法。
2020-05-27 math.ST stat.ME stat.TH
Fast Nonparametric Conditional Independence Testing via Two-Stage Regression
Department of Biomedical Informatics, University of Pittsburgh（生物医学信息学系，匹兹堡大学）
提出BLITZ方法，通过两阶段回归（低阶多项式+浅层树）快速消除条件集影响，实现校准良好的非参数条件独立性检验，适用于因果发现。
2026-06-23 cs.LG stat.ME stat.ML
Bayesian high-dimensional biological pathway-guided mediation analysis with application to metabolomics
本文提出贝叶斯生物学通路引导的中介分析方法，联合建模高维代谢物并直接识别通路、估计通路特异性间接效应，模拟与两项代谢组学应用验证了其有效性。
2025-03-18 stat.AP
High-Dimensional Mediation Analysis for Generalized Linear Models Using Bayesian Variable Selection Guided by Mediator Correlation
Harvard T.H. Chan School of Public Health（哈佛陈曾熙公共卫生学院）；Brigham and Women’s Hospital（布莱根妇女医院）；Sungkyunkwan University（成均馆大学）
本文提出基于贝叶斯变量选择的高维中介分析方法，利用中介相关性在广义线性模型中识别中介路径并估计间接效应。
2026-02-12 stat.ME
Two-stage Adaptive Testing of Large-scale Mediation Hypotheses
University of Washington（华盛顿大学）
研究大规模中介假设检验问题，提出两阶段自适应检验框架，第一阶段筛选减少待检假设数，第二阶段采用多种控制方法，能渐近控制错误发现率，在多场景下功效良好。
2026-08-17 stat.ME
Optimal testing in linear models with implications for causal inference
College of Community and Global Health, Rady Faculty of Health Sciences, University of Manitoba（曼尼托巴大学拉迪健康科学学院社区与全球健康学院）
本文证明多元回归中系数t检验为一致最优势无偏检验，利用Gram-Schmidt分解改进功效，并讨论其对研究设计的影响。
2026-09-29 math.ST stat.TH
Efficient Detection Of Infected Individuals using Two Stage Testing
Marlboro High School（马尔伯勒高中）
群体检测是一种有效的方法，用于检测大量人群以发现感染个体。在本文中，我们考虑了一个有效的自适应两阶段组测试计划。使用一个简单的分析，我们描述了几个两阶段的组测试算法的效率。我们确定如何挑选最佳的三种方案与不同类型的随机化的测试参数，并表明，两阶段测试的性能取决于所采用的随机化类型。看似相似的随机化程序导致不同的预期测试数量来检测所有感染个体，我们确定什么样的随机化是必要的，以实现最佳性能。我们进一步表明，在最佳设置，我们的测试方案是强大的输入参数的错误。
2020-08-24 cs.LG stat.ME
B-Value and Empirical Equivalence Bound: A New Procedure of Hypothesis Testing
在这项研究中，我们提出了一个两阶段的程序假设检验，其中第一阶段是传统的假设检验，第二阶段是一个等价性检验过程中引入的经验等价界。2016年，美国统计协会发布了一份关于P值的政策声明，以澄清正确的使用和解释，以回应对科学发现中可重复性和可复制性的批评。在统计假设检验中提高再现性和透明度的最新解决方案是将具有实际或科学意义的P值（或置信区间）整合。类似的想法已经通过等价性检验提出，其目标是在参数不平等的假设（空）下推断相等。然而，在这些测试程序中，科学显著性/等效性的定义可能是主观的。为了克服这个缺点，我们引入了一个B值和经验等价界，这两个都是从数据中估计的。执行第二阶段等效性检验，我们的程序提供了一个机会，以纠正假阳性发现，并提高跨研究结果的重现性。
2019-12-30 stat.ME
Covariance-Adaptive Residualization and Stagewise Calibration for Dependent Multiple Testing
Texas A&M University（德克萨斯农工大学）；Indian Statistical Institute（印度统计研究所）
针对任意协方差相依下的多元高斯均值同时假设检验问题，提出一种结合协方差自适应残差化与广义分步临界常数的分步校准程序，在降低计算复杂度的同时实现更优的信号恢复和错误控制。
2026-07-10 stat.ME
Distance Assisted Recursive Testing
在许多应用中，收集大量特征的目的是识别一些重要的特征。有时，这些特征位于具有已知距离矩阵的度量空间中，这部分地反映了它们的共同重要性模式。正确使用距离矩阵将提高识别重要特征的能力。因此，我们开发了一个新的多重检验框架命名为距离辅助递归测试（DART）。DART有两个阶段。在第一阶段，我们将距离矩阵转换为聚合树，其中每个节点表示一组特征。在第二阶段，基于聚合树建立动态节点假设，并对聚合树进行多重检验。所有拒绝都映射回特征。在适度的假设下，DART的错误发现比例以高概率收敛到1的方式收敛到期望水平。我们通过理论和仿真说明，DART具有优越的性能，在各种模型下相比，现有的方法。我们将DART应用于异基因干细胞移植研究中的临床试验，以确定其丰度将受到移植后护理影响的肠道微生物群。
2021-09-24 stat.ME
Graph Based, Adaptive, Multi Arm, Multiple Endpoint, Two Stage Design
本文将基于图的多重检验方法扩展到支持自适应调整的多臂多终点两阶段设计，并通过大型模拟比较p值合并法与条件错误率法。
2025-01-06 stat.ME
Two-Stage Testing in a high dimensional setting
针对高维回归下二阶交互作用逐一检验计算不可行、多重检验校正代价高的问题，提出含筛选与评估阶段的两阶段检验法，利用两阶段统计量渐近独立性提升功效、降低计算量，模拟验证其能控制一类错误且功效更优。
2024-06-25 math.ST stat.ME stat.TH
Analysis of error control in large scale two-stage multiple hypothesis testing
当处理同时检验大量原假设的问题时，一种自然的检验策略是首先通过某种选择（筛选或过滤）过程减少被检验的假设的数量，然后同时检验所选择的假设。这种策略的主要优点是大大降低了高维的严重影响。然而，为了保持某种类型的错误控制，必须适当地考虑第一筛选或选择阶段。在本文中，我们将介绍一个选择规则的基础上的选择统计量是独立的检验统计量时，测试的假设是真的。结合这个选择规则和传统的Bonferroni程序，我们可以开发一个强大的和有效的两阶段程序。引入的过程有几个很好的属性：（i）它完全消除了选择效应;（ii）它减少了多重性效应;（iii）它不会“浪费”数据，同时进行选择和测试。渐近功率分析和仿真研究表明，该方法可以提供更高的功率相比，通常的多重检验方法，同时控制类型1的错误率。最佳选择阈值也来自基于我们的渐近分析。
2017-03-18 math.ST stat.ME stat.TH
Multi-stage Group Testing with (r,s)-regular design Algorithms
本文提出多阶段 (r,s)-正则设计分组检测算法，推导了预期检测次数和持续时间的统一表达式，在低缺陷概率下优于现有算法并接近最优计数边界。
2025-04-01 eess.SP stat.ME
Hypothesis Testing for Shapes using Vectorized Persistence Diagrams
拓扑数据分析涉及数据形状的统计特征。持久同源性是拓扑数据分析的主要工具，可以用来分析拓扑特征和进行统计推断。在本文中，我们提出了一个两阶段的假设检验向量持久性图。第一阶段过滤向量化持久性图中的向量元素以增强测试的能力。第二阶段由多个假设检验组成，假阳性由错误发现率控制。我们证明了我们的方法的灵活性，通过将其应用到各种模拟和现实世界的数据类型。我们的研究结果表明，建议的假设检验，使准确和翔实的推断数据的形状相比，现有的持久同源性的假设检验方法。
2023-02-28 math.AT stat.ME
Pseudo-Incrementality Testing: Measuring Advertising Lift from Naturally Occurring Interventions
Trinity College Dublin, School of Computer Science and Statistics（都柏林圣三一学院，计算机科学与统计学院）；Trinity College Dublin, Trinity Business School（都柏林圣三一学院，圣三一商学院）
本文提出一种两阶段准实验方法，利用贝叶斯游程推断和结构时间序列反事实，在无随机实验时测量广告增量效应，并在Meta基准上验证了精确性和有效性。
2026-09-17 stat.ME
A multi-arm multi-stage design for trials with all pairwise testing
针对无对照治疗组的临床试验场景，提出一种多臂多阶段设计，通过中期分析终止差效治疗或相似表现时全终止，控制全成对比较的FWER并提供强控制条件，在脓毒症试验案例中样本量最优。
2025-02-10 stat.AP stat.ME
Positively Correlated Samples Save Pooled Testing Costs
与单独测试方法相比，组测试方法实现了显著的成本降低，最近在COVID-19的大规模测试中引起了很大的兴趣。许多研究简单地假设混合在一组中的样本是独立的。然而，对于像COVID-19这样的传染病，这种假设可能并不合理。具体来说，家庭中的人往往会相互感染，因此可能呈正相关。通过利用正相关性，我们做出了以下两个主要贡献。一个是提供了一个严格的证明，进一步降低成本，可以通过使用Dorfman两阶段的方法时，一组内的样本是正相关的。另一个是提出了一个分层凝聚算法与社交图，在社交图中的边缘连接两个人之间的频繁的社会接触的池化测试。当应用Dorfman两阶段算法时，与随机池化相比，这样的算法导致显著的成本降低（大约20%-35%）。
2021-04-17 cs.CY stat.ME
Dynamical Dorfman Testing with Quarantine
考虑具有社团结构的动态群测试问题。利用离散时间SIR（易感、传染、恢复）模型，我们使用Dorfman的两步组检验方法来识别感染，并在必要时介入以抑制感染通过病毒传播。我们分析了检疫和测试成本以及疾病传播之间的权衡。对于特殊的动力i.i.d.模型，我们表明，最佳的第一阶段Dorfman组的大小不同，在动态和静态的情况下。我们比较了所提出的动态两阶段Dorfman测试与最先进的非自适应组测试方法在动态设置中的性能。
2022-01-18 cs.CY cs.DS cs.IT
Two-stage Hypothesis Tests for Variable Interactions with FDR Control
在许多情况下，如全基因组关联研究，变量之间的依赖性通常存在，它往往是感兴趣的是推断模型中的相互作用效应。然而，在复杂和高维数据中测试数百万个变量之间的成对相互作用受到低统计功效和巨大计算成本的影响。为了解决这些挑战，我们提出了一个两阶段的测试程序与错误发现率（FDR）的控制，这是一个不太保守的多重测试校正。从理论上讲，FDR控制的困难在于两个阶段的检验统计量之间的数据依赖性，以及第二阶段进行的假设检验的数量取决于第一阶段的筛选结果。通过使用Cramér型中偏差技术，我们证明了在允许模型被错误指定的广义线性模型（GLM）中，我们的方法渐近地将FDR控制在期望的水平.此外，FDR控制程序的渐近功率被严格地建立。我们通过全面的模拟研究表明，我们的两阶段的程序是计算效率比经典的BH程序，具有可比或改进的统计功效。最后，我们将所提出的方法应用于来自dbGaP的膀胱癌数据，其中科学目标是识别膀胱癌的遗传易感性位点。
2022-08-31 math.ST stat.ME stat.ML
Sequential multiple hypothesis testing in presence of control variables
假设在统计实验的任何阶段，可以使用控制变量$X$，该控制变量影响在该阶段观察到的数据$Y$的分布。$Y$的分布取决于一些未知的参数$θ$，我们考虑的问题，测试多个假设$H_1: θ=θ_1$，$H_2: θ=θ_2, ...$，$H_k: θ=θ_k$允许数据被控制的$X$，在以下顺序的上下文中。实验开始时，将值$X_1$分配给控制变量，并观察$Y_1$作为响应。在一些分析之后，选择控制变量的另一个值$X_2$，并且观察作为响应的$Y_2$，等等。假设实验最终停止，并且在那一刻，将采取有利于假设之一的最终决定$H_1,...$，$H_k$。在这篇文章中，我们的目的是表征结构的最佳序贯测试程序的基础上，从这种类型的实验中获得的数据的情况下，当观察$Y_1, Y_2,..., Y_n$是独立的，控制$X_1,X_2,..., X_n$，$n=1,2,...$。
2008-12-15 math.PR math.ST stat.ME
Efficiently Controlling Multiple Risks with Pareto Testing
Massachusetts Institute of Technology（麻省理工学院）
机器学习应用程序通常具有多个不同的目标和约束，这些目标和约束可能会随着时间的推移而变化。因此，可以用影响其预测行为的超参数集（例如，它们的运行时效率与出错率的关系）。随着约束和超参数维度的数量增长，天真地选择的设置可能导致次优和/或不可靠的结果。我们开发了一种有效的方法来校准模型，使它们的预测可证明地满足多个明确和同时的统计保证（例如，上限出错率），同时还优化任意数量的附加的、无约束的目标（例如，总运行时间成本）。基于最近的结果分布免费，有限样本的风险控制一般损失，我们提出了帕累托检验：一个两阶段的过程，结合多目标优化与多个假设检验。优化阶段在帕累托边界上构造一组有希望的组合。然后，我们将统计测试应用于该边界，以确定具有（i）相对于我们的目标具有高效用的配置，以及（ii）相对于我们的约束具有可指定的高概率的保证风险水平。我们证明了我们的方法的有效性，可靠地加速执行大型Transformer模型在自然语言处理（NLP）应用程序。特别是，我们展示了如何使用帕累托测试来动态配置多个相互依赖的模型属性-包括退出前计算的层数，修剪的注意力头数或考虑的文本标记数-以同时控制和优化各种准确性和成本指标。
2022-10-14 cs.AI cs.LG stat.ME
