Bayesian Mediation Analysis for Individualized Treatment Rules
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；Duke University（杜克大学）
本研究提出贝叶斯中介框架，将个体化治疗规则的价值对比分解为直接与间接成分，采用贝叶斯因果中介森林估计，经模拟与TRIUMPH试验数据验证，可实现ITR的机制评估与解释。
2026-08-03 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
Comparison of methods for mediation analysis with multiple correlated mediators
本研究针对多相关中介变量中介分析方法缺乏对比评估的问题，通过模拟实验和REGARDS数据集测试六种方法的性能，发现不同方法结论存在差异，为研究者选择合适的中介分析方法提供了指导。
2024-06-23 stat.AP stat.ME
A Novel Causal Mediation Analysis Approach for Zero-Inflated Mediators
中介分析在生物医学研究中进行因果推断以检查可能由一个或多个中间变量（即，调解人）。虽然调解框架已经建立，如反事实结果（即，潜在结果）模型和传统的线性调解模型，很少有人致力于处理调解人与零膨胀的结构，由于与过多的零相关的挑战。我们开发了一种新的中介建模方法，以解决零膨胀的调解员包含真零和假零。新的方法可以将总的中介效应分解为两个组成部分引起的零膨胀结构：第一个组成部分是由于在其数值尺度上，这是一个两个因果路径的总和，第二个组成部分是由于它的二元变化从零到非零的状态。一个广泛的模拟研究进行评估的性能，它表明，所提出的方法优于现有的标准因果中介分析方法。我们还展示了一个真正的研究与标准的因果中介分析方法相比，所提出的方法的应用。
2023-01-24 math.ST stat.AP stat.TH
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
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
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
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
Decomposition of the Total Effect for Two Mediators: A Natural Counterfactual Interaction Effect Framework
中介分析已在许多学科中使用，以解释暴露变量和结果变量之间通过纳入中介而观察到的关系的机制或过程。在过去的十年中，将暴露变量的总因果效应分解为表征中介途径和相互作用的效应已经获得了越来越多的兴趣。在这项工作中，我们开发的情况下，两个介质是因果顺序或非顺序的分解。目前在这一领域的发展主要集中在分解没有相互作用的组件或相互作用，但假设没有因果顺序之间的介质。我们提出了一个新的概念，称为自然反事实的相互作用效应，捕捉双向和三向的相互作用的两种情况下，扩展了双向介导的相互作用在文学。我们开发了一个统一的方法来分解的总效果，由于调解，只有互动，调解和互动，既不调解，也不互动的反事实框架内的效果。最后，我们说明了建议的分解方法，使用一个真实的数据分析，其中两个介质是因果顺序。
2020-07-30 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
Hypothesis-driven mediation analysis for compositional data: an application to gut microbiome
本文提出一种假设驱动的成分数据中介分析方法，利用先验层级知识定义子成分对比，并通过参数线性模型估计微生物组介导效应，模拟与实证表明纤维摄入对胰岛素的影响以直接效应为主。
2024-06-28 stat.AP
Estimation and Inference for the Mediation Effect in a Time-varying Mediation Model
传统的中介分析通常考察干预、时不变中介和时不变结果变量之间的关系。虽然干预可能对结果产生直接影响，但有必要了解干预影响结果的过程（即通过调解人产生的间接影响）。这种间接效应通常被认为是时间不变的。随着数据收集技术的改进，有可能在一段时间内获得重复评估，从而产生密集的纵向数据。这就要求扩展传统的中介分析，纳入随时间变化的变量以及随时间变化的影响。在本文中，我们专注于估计和推断的时变调解模型，它允许调解效果随时间而变化。我们提出了一个两步的方法来估计随时间变化的调解效果。此外，我们使用基于模拟的方法来推导出相应的逐点置信带随时间变化的中介效应。仿真研究表明，所提出的程序进行比较时，置信带和真实的基础模型。我们进一步将所提出的模型和统计推断程序应用于从戒烟研究中收集的真实数据。
2020-08-26 stat.AP
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
HT-MMIOW: A Hypothesis Test approach for Microbiome Mediation using Inverse Odds Weighting
人体微生物组在决定健康方面起着重要作用。中介分析量化了微生物组在暴露和疾病之间的因果路径中的贡献;然而，当前的中介模型不能完全捕获微生物组数据的高维、相关和组成性质，并且通常不适应二分结果。我们提出了一种新的方法，该方法使用反向优势加权来测试微生物组的介导作用。我们使用模拟来证明，我们的方法获得权力的高维介质，它是不可知的曝光和介质之间的相互作用的影响。我们将新罕布什尔州出生队列研究的婴儿肠道微生物组数据应用于婴儿肠道微生物组，揭示了6周婴儿肠道微生物组对妊娠期间母亲产前抗生素使用与5岁儿童过敏发生率之间关系的介导作用。
2023-01-05 stat.AP
Pathway Lasso: Estimate and Select Sparse Mediation Pathways with High Dimensional Mediators
在许多科学研究中，通过大量的介质（如遗传和大脑介质）来描绘因果通路变得越来越重要。结构方程模型（SEM）是一种流行的技术来估计的途径效应，通常表示为产品的系数。然而，它变得不稳定，以适应这样的模型与高维介质，特别是对于一个一般的设置，其中所有的介质是因果依赖的，但它们之间的确切因果关系是未知的。本文提出了一个稀疏调解模型，使用正则化的SEM方法，这里的稀疏性意味着少数调解人之间的治疗和结果的非零调解效果。为了解决模型选择的挑战，我们通过引入一种名为Pathway Lasso的新惩罚进行创新。该罚函数是非凸乘积函数的凸松弛，并且它使得计算上易于处理的优化准则能够同时估计和选择多个途径效应。我们开发了一个快速ADMM型算法来计算模型参数，我们表明，迭代更新可以表示为封闭形式。在模拟数据和真实的fMRI数据集上，该方法比其他竞争方法产生更高的通路选择精度和更低的估计偏差。
2016-03-24 stat.AP stat.ME 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
Causally Interpretable Meta-Mediation Analysis With Missing At Random Mediator and Outcome Data
EPILOGY, Institut Mondor of Biomedical Research, INSERM U955（INSERM U955 蒙多尔生物医学研究所 EPILOGY）；Université Paris-Est Créteil（巴黎东克雷泰伊大学）；Mines Paris, Université Paris Sciences Lettres（巴黎矿业学院，巴黎文理研究大学）；Department of Mathematics, Université du Québec à Montréal（蒙特利尔大学数学系）
针对标准中介元分析的局限，提出新方法将特定研究的自然间接效应估计转移到目标人群，能整合相关研究，构建灵活估计器并开发新模型，通过模拟和真实数据评估有限样本性能，提升了因果可解释性和元中介分析的有效性。
2026-07-30 stat.AP stat.ME
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
A Bayesian nonparametric approach for causal inference with multiple mediators
同时观察多个中介物的中介分析是因果推断的一个重要领域。最近的方法，多个调解人往往是基于参数模型，因此可能会遭受模型误指定。此外，许多现有的文献要么只允许估计的联合调解效果，或估计的联合调解效果的总和，个别调解人的影响，这往往是不合理的假设。在本文中，我们提出了一种方法，克服了上述两个缺点。我们的方法是基于一种新的贝叶斯非参数（BNP）方法，其中观测数据的联合分布（结果，介质，治疗和混杂因素）使用具有三个水平的丰富Dirichlet过程混合物灵活建模：第一个水平描述了给定中介、治疗和混杂因素的结果的条件分布，第二级对应于给予治疗和混杂因素的每个介质的条件分布，第三级对应于治疗和混杂因素的分布。我们使用标准化（g-计算）来计算因果中介效应下三个不可检查的假设，允许识别的个人和联合中介效应。我们所提出的方法的有效性与模拟证明。我们应用我们提出的方法来分析来自呼吸机相关肺炎（VAP）合并感染患者的研究数据，其中假单胞菌的丰度对VAP感染的影响被怀疑是通过抗生素介导的。
2022-08-29 stat.AP stat.ME stat.OT
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
Handling multivariable missing data in causal mediation analysis estimating interventional effects
本研究通过模拟评估了在因果中介分析中估计干预效应时处理多变量缺失数据的方法，比较了不同的多重插补策略和方差估计方法，发现缺失机制显著影响偏差，且BootMI方差估计优于MIBoot。
2025-06-02 stat.AP
Bayesian Variable Selection for High-Dimensional Mediation Analysis: Application to Metabolomics Data in Epidemiological Studies
针对流行病学研究中高维组学数据因果中介分析的挑战，提出新颖贝叶斯框架，通过马尔可夫随机场与序贯子集伯努利先验提升中介效应检测效能，应用于代谢组数据验证了有效性。
2024-11-26 stat.AP 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
Causal mediation analysis for zero-inflated longitudinal data in the presence of treatment non-compliance and multiple mediators
University of Chicago（芝加哥大学）；Smeal College of Business, The Pennsylvania State University（宾夕法尼亚州立大学斯米尔商学院）；University of Florida（佛罗里达大学）；University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
针对存在处理不依从和多重中介变量的零膨胀纵向数据，研究人员开发贝叶斯因果中介框架，分析促销邮件活动，发现增值激励优于价格折扣，并设计了优化预期购买量的个性化邮件策略。
2026-08-18 stat.AP stat.CO stat.ME
Practical challenges in mediation analysis: A guide for applied researchers
本文梳理了应用研究者开展中介分析时面临的7项概念与方法学核心挑战，并给出了相应的应对思路，为各学科的中介分析实践提供指导。
2024-02-01 stat.AP 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
High-dimensional Many-to-many-to-many Mediation Analysis
Vietnam National University Ho Chi Minh City（越南国立大学胡志明市）；Lausanne University Hospital（洛桑大学医院）；University of Lausanne（洛桑大学）；Faculty of Mathematics and Computer Science, University of Science, Vietnam National University Ho Chi Minh City（越南国立大学胡志明市科大学数学与计算机科学学院）；National University of Singapore（新加坡国立大学）；VNU University of Engineering and Technology（越南国立大学工程技术大学）
本文提出高维多对多多中介分析方法，用于处理高维暴露、中介和结局变量，同时进行变量选择、估计间接效应矩阵，并提升多变量预测性能。
2026-04-03 q-bio.GN q-bio.QM stat.AP
Causal Mediation Analysis with Multiple Mediators: A Simulation Approach
针对因果中介分析中多中介变量及暴露诱导混杂因素的效应估计需求，提出基于分布模型模拟潜在结局的通用方法，含参数与深度神经网络非参数两种实现，并通过两项经典研究验证方法可行性。
2025-06-16 econ.EM stat.AP stat.ME
Mediation Analysis for Count and Zero-Inflated Count Data without Sequential Ignorability and Its Application in Dental Studies
中介分析试图理解治疗影响结果的机制。计数或零膨胀计数结果在许多研究中是常见的，其中中介分析是感兴趣的。例如，在牙科研究中，诸如龋齿、缺失和补牙的结果通常是零膨胀的。现有的中介分析计数数据的方法假设中介的连续性。这通常是不合理的，因为中介不是随机的，因此存在与中介和结果相关的不可测量的混杂因素。在本文中，我们开发的因果关系方法的基础上工具变量（IV）的方法中介分析计数数据可能有很多零，不需要假设的顺序可验证性。我们首先定义这些数据的直接和间接效应比，然后提出估计方程，并使用经验似然估计的直接和间接影响一致。一个敏感性分析提出了违反IV排除限制假设。仿真研究表明，我们的方法适用于不同类型的结果在不同的设置。我们的方法被应用到一个随机的龋齿预防试验和一项研究的影响，在孟加拉国的大规模洪水对儿童腹泻。
2016-07-09 stat.AP stat.ME
Correcting for bias due to mismeasured exposure in mediation analysis with a survival outcome
本研究基于Cox模型探讨生存结局中暴露测量误差对中介分析的影响，开发了普通回归校准和风险集回归校准方法校正偏差，并应用于HPFS数据验证。
2025-03-05 stat.AP stat.ME
A Statistical Framework for Co-Mediators of Zero-Inflated Single-Cell RNA-Seq Data
针对 scRNA-seq 数据的零膨胀与复杂共同中介结构，提出结合零膨胀负二项模型和 beta 回归的因果中介框架，模拟显示功效提升且 FDR 受控，并在 ROSMAP 数据中发现有生物学意义的中介效应。
2025-09-30 q-bio.GN q-bio.QM stat.AP
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
Causal mediation analysis for longitudinal and survival data in continuous time using Bayesian non-parametric joint models
University of Chicago（芝加哥大学）；University of Florida（佛罗里达大学）；Northwestern University（西北大学）
本文提出了一种联合建模纵向暴露、混杂因素、中介变量和时间到事件结局的因果中介框架，以连续函数形式建模年龄，利用富集狄利克雷过程混合模型进行统计推断，评估药物对心血管疾病死亡时间的影响。
2026-05-18 stat.AP stat.ME
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
Inverse Probability Weighting-based Mediation Analysis for Microbiome Data
The University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）；The University of Texas MD Anderson Cancer Center（德克萨斯大学安德森癌症中心）；BeOne Medicines（博生医药）；Texas A&M University（德克萨斯农工大学）；University of Toronto（多伦多大学）；Columbia University（哥伦比亚大学）
针对微生物组数据高维、零膨胀等特性及抗生素混杂问题，提出基于逆概率加权的非参数干预性间接效应识别与估计算法，经模拟验证性能良好，且发现AML患者化疗强度对感染的影响主要由肠道微生物组介导。
2026-10-15 stat.AP stat.ME
A Unified Framework for Nonlinear Mediation Analysis of Random Objects
The Pennsylvania State University（宾夕法尼亚州立大学）
本文提出ROMA框架，用于分析非欧几里得数据的非线性因果路径，通过加性RKHS算子模型分离直接和间接因果路径，并建立非参数识别和渐近正态性理论。
2026-03-30 math.ST stat.AP 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
Gender disparities in rehospitalisations after coronary artery bypass grafting: evidence from a sparse functional causal mediation analysis of the MIMIC-IV data
针对CABG术后再入院的性别差异问题，提出参数模拟准贝叶斯蒙特卡洛近似方法，通过稀疏函数因果中介分析MIMIC-IV数据，揭示女性性别与再入院次数增加的因果关系及CVP的中介作用。
2025-08-19 stat.AP stat.ME
Privacy-Preserving Causal Meta-Mediation Analysis with Survival Outcomes
EPILOGY, Institut Mondor of Biomedical Research, INSERM U955（INSERM U955 EPILOGY 蒙多尔生物医学研究所）；Université Paris-Est Créteil（巴黎东克雷泰伊大学）
针对多中心生存数据隐私限制，提出联邦因果元中介分析框架，无需共享个体数据即可估计自然间接效应，并开发一步与靶向最大似然估计器，应用于法国健康数据验证。
2026-09-11 stat.AP stat.ME
