Detecting and Understanding the Difference between Natural Mediation Effects and Their Randomized Interventional Analogues
本文提出首个经验检验方法,用于在弱假设下检测自然中介效应与其随机化干预类似物(RIAs)之间的差异,并从协方差和结构方程视角阐明二者关系,揭示其与工具变量分析及Wilcoxon-Mann-Whitney检验估计目标的联系。
2025-07-21 stat.AP stat.ME
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
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
Nonparametric inference for interventional effects with multiple mediators
了解干预措施对结果产生影响的途径是一个共同的科学目标。丰富的文献提供了各种分解的总干预效果的具体途径的影响。干预的直接和间接效果提供了这样一种分解。这些效应的现有估计量基于参数模型,通过非参数自助法进行置信区间估计。我们提供的理论,允许更灵活的,可能是基于机器学习,估计技术被考虑。特别是,我们建立弱收敛的结果,便于建设封闭形式的置信区间和假设检验。最后,我们证明了所提出的估计的多个鲁棒性。仿真结果表明,基于大样本理论的推理具有足够的小样本性能。因此,我们的工作提供了一种手段,利用现代统计学习技术估计干预调解的影响。
2020-01-16 math.ST stat.ME stat.ML
Estimands and Inference in Cluster-Randomized Vaccine Trials
经常进行随机试验来评估疫苗的效果。在进行试验之前定义感兴趣的被估量是研究目标与要收集和分析的数据之间的一致性不可或缺的。本文考虑了被估量和估计的总体,间接和总的疫苗效果的试验中,人群随机接种疫苗或对照。该方案被认为是个人自我选择是否参加试验,并在每个集群中的所有个人的利益的结果进行测量。与总体、间接和总效应不同,疫苗接种的直接效应在没有进一步假设的情况下(例如没有未测量的混杂因素)通常无法估计。一个说明性的例子动机的集群随机伤寒疫苗试验。
2019-10-08 stat.ME
Time-dependent mediators in survival analysis: Modelling direct and indirect effects with the additive hazards model
我们讨论了生存数据的因果中介分析,并提出了一种新的方法的基础上的加性风险模型。重点是动态的观点,即理解直接和间接影响如何随时间发展。因此,重要的是,我们允许一个随时间变化的中介。为了定义这种纵向生存环境中的直接和间接影响,我们采用了一种干预方法(Didelez(2018)),其中将治疗分为影响介质的一个方面和影响生存的另一个方面。一般来说,这导致了非参数g公式的一个版本(Robins(1986))。在本文中,我们证明了相结合的g-公式与添加剂的危害模型和一个连续的线性模型的中介过程中的结果在简单和可解释的表达的直接和间接的影响,相对生存以及累积的危害。我们的研究结果概括和形式化了动态路径分析方法(Fosen et al.(2006),Strohmaier et al.(2015))。一个应用程序的血压药物的临床试验数据。
2021-02-08 stat.ME
Instrumental Variable Estimation of Distributional Causal Effects
本文提出基于工具变量的分布因果效应识别与估计方法,引入分布IV模型并构造非参数估计量DIVE,用于估计二值处理下的干预累积分布函数,并通过模拟和真实数据验证其有效性。
2024-08-06 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
Interventional Score Geometry for Causal Inference
University of Calgary(卡尔加里大学)
研究因果推断中仅由联合密度和得分场构建的几何无法识别因果方向的问题,开发干预类似物,定义因果影响等,引入干预响应场和因果度量,为相关设计产生几何词典,组织相关关系但未增加基本假设外的识别能力。
2026-07-27 cs.AI econ.EM stat.ME
Finding network effect of randomized treatment under weak assumptions for any outcome and any effect heterogeneity
针对网络处理效应估计中常用线性模型假设过强的问题,提出非参数因果简化形式CRF,适用于任意结果与效应异质性,可评估线性模型的隐含假设与偏差,实现几乎无模型的网络效应估计推断。
2025-06-13 stat.ME
Nonparametric causal mediation analysis for stochastic interventional (in)direct effects
历史上,因果中介分析在两个重要方面受到限制:(i)传统上关注二元治疗和静态干预,(ii)直接和间接效应分解仅在不存在受治疗影响的中间混杂因素的情况下才可识别。我们提出了一个理论研究的(中)直接效应分解的人口干预效果,定义为随机干预联合应用于治疗和介质。与现有的建议相反,我们的因果效应可以进行评估,无论治疗是分类的还是连续的,即使在存在受治疗影响的中间混杂因素的情况下,因果效应也可以得到很好的定义。我们的(非)直接效应是可识别的,而无需对跨世界反事实独立性进行限制性假设,从而可以在随机对照试验中验证从中得出的实质性结论。除了新的影响介绍,我们提供了一个仔细的研究非参数效率理论相关的建设灵活的,多个强大的估计我们的(在)直接影响,同时避免不适当的限制所引起的假设参数模型的滋扰参数泛函。为了补充我们的非参数估计策略,我们引入了推理技术,用于构建置信区间和假设检验,并讨论了开源软件实现所提出的方法。
2022-01-11 math.ST stat.ME stat.TH
Stein-like Estimators for Causal Mediation Analysis in Randomized Trials
因果中介分析的目的是在明确规定的假设下估计自然的直接和间接影响。传统的中介分析基于普通最小二乘法(OLS)依赖于假定的中介和结果的不可测量的原因的情况下。当这种假设不能被证明时,可以使用工具变量(IV)估计量,以产生中介-结果联系的渐近无偏估计量。然而,如果存在有效的工具,偏差消除是以标准IV程序(如两阶段最小二乘法(TSLS))的方差膨胀为代价的。在文献中已经提出了一种半参数类斯坦(SPSL)估计,它在TSLS过程的无偏性和OLS估计的相对小的方差之间进行了自然的权衡。此外,SPSL的优点是它的收缩参数可以直接从数据估计。在本文中,我们演示了如何在随机对照试验中估计治疗的自然直接和自然间接效应的背景下实现这种Stein样估计。在模拟研究中,隐藏混杂的强度和仪器的强度都是独立变化的,研究了竞争方法的性能。这些考虑是由一项心理健康试验引起的,该试验评估了以初级保健为基础的干预措施对减少老年人抑郁症的影响。
2017-07-06 stat.ME
Direct and Indirect Treatment Effects in the Presence of Semi-Competing Risks
针对半竞争风险下治疗对终点事件的效应分解问题,提出两种基于中介分析、分别调整非终点事件流行率和风险率的分解策略,推导其渐近性质并通过模拟与真实数据验证差异。
2024-03-27 stat.ME
Estimating marginal treatment effects from observational studies and indirect treatment comparisons: When are standardization-based methods preferable to those based on propensity score weighting?
本研究通过模拟对比倾向评分加权与标准化方法在单观察性研究、锚定间接治疗比较场景下的边际效应估计效果,类比两类场景下的对应方法,提出间接治疗比较的现有推荐可改进,强调需调整纯预后因素。
2023-10-07 stat.ME
Non-linear Mediation Analysis with High-dimensional Mediators whose Causal Structure is Unknown
在从治疗到结果的因果路径上有多个潜在的介质,我们考虑通过每个不同的介质沿着多个可能的因果路径分解效果的问题。在Pearl的路径特异性效应框架下(Pearl,2001; Avin等人,2005),这种细粒度的分解需要严格的假设,例如正确地指定中介体之间的因果结构,以及中介体之间没有未观察到的混杂。相比之下,多种介质的干预性直接和间接效应(Vansteelandt和Daniel,2017)可以在弱得多的条件下确定,同时提供科学相关的因果解释。尽管如此,目前的估计方法需要(正确地)指定一个模型的联合调解人的分布,这可能是困难的,当有一个高维的可能连续和不连续的调解人。在这篇文章中,我们避免了对这种分布建模的需要,通过开发VanderWeele和Tchetgen Tchetgen(2017)先前提出的纵向中介干预效应的定义。我们提出了一种新的估计策略,使用(反事实)中介分布的非参数估计。非连续的结果可以使用非线性结果模型来适应。通过蒙特卡罗积分进行估计。该程序使用公开的基因组数据(Huang和Pan,2016)进行说明,以评估microRNA表达对脑癌患者三个月死亡率的因果影响,该影响可能由多个基因的表达值介导。
2020-06-14 stat.ME
Estimating the prevalance of indirect effects and other spillovers
本文针对随机实验中单元间干扰问题,提出估计间接效应普遍程度的保守点估计与单侧区间估计方法,并给出中心极限定理及一致性、极小极大性质证明。
2024-01-16 stat.ME
Sensitivity analysis for contamination in egocentric-network randomized trials with interference
Tel Aviv University(特拉维夫大学)
针对自我中心网络随机试验中的污染问题,提出基于敏感性参数的偏差校正估计量,并通过网格分析和概率偏差分析评估因果估计的稳健性。
2026-06-07 stat.AP stat.ME
Average Direct and Indirect Causal Effects under Interference
我们提出了一个定义的平均间接效应的二进制处理的潜在结果模型下的跨单元干扰的因果推断。我们的定义类似于平均直接效应的标准定义,并且可以在不需要比较多个随机实验结果的情况下表达。我们表明,建议的间接效应满足分解定理,即在伯努利试验中,平均直接和间接效应的总和总是对应于无限增加治疗概率的政策干预的效果。我们还考虑了一些参数模型的干扰,并发现我们的非参数间接效应仍然是一个自然的估计时,重新表示在这些模型的上下文中。
2022-01-12 econ.EM 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
Proximal indirect comparison
本文提出基于代理变量的近端间接比较方法,在存在未观测效应修饰因子时识别目标人群平均处理效应,并构造双重稳健估计量,用于比较不同试验中积极治疗的减重效果。
2025-06-04 stat.ME
Assessing mediation in cross-sectional stepped wedge cluster randomized trials
针对阶梯楔形整群随机试验(SW-CRTs)的中介分析需求,基于线性与广义线性混合模型提出估计自然间接效应与中介比例的新方法,处理暴露时间异质性,并开发R包mediateSWCRT支持实际应用。
2025-04-02 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
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
Robust and Flexible Estimation of Stochastic Mediation Effects: A Proposed Method and Example in a Randomized Trial Setting
因果中介分析可以提高对流行病学关联机制的理解。然而,自然的直接和间接效应估计的效用受到了限制的假设,没有混杂因素的中介结果的关系,是受先前的曝光-一个假设,在实践中经常违反。我们建立在最近的工作,确定替代被估量,不需要这个假设,并提出了一个灵活的和双鲁棒的半参数有针对性的最小损失为基础的估计数据依赖的随机直接和间接的影响。所提出的方法将受先前暴露影响的中间混杂因素视为随时间变化的混杂因素,并使用一个分布对中介进行随机干预,该分布条件为基线协变量并边缘化中间混杂因素。此外,我们假设的随机干预,观察到的数据,这导致在一个更简单的估计和较弱的识别假设的条件。我们证明了估计的有限样本和鲁棒性在一个简单的模拟研究。我们将该方法应用到一个例子,从移动到机会的实验。在该应用中,随机化获得住房券是影响搬到低贫困社区的治疗/工具,这是中间混杂因素。我们估计随机化的凭证组的数据依赖随机直接影响青少年大麻的使用不介导的变化在学区和随机间接影响介导的变化在学区。我们找不到调解的证据。我们的估计器很容易在标准统计软件中实现,并且我们提供注释的R代码以进一步降低实现障碍。
2018-10-29 stat.AP stat.ME
Estimation and inference of average treatment effects under heterogeneous additive treatment effect model
本文针对网络干扰下的平均处理效应估计问题,在异质加性处理效应模型下提出基于特征向量的回归调整估计量,建立其渐近正态性与保守方差估计,并验证其在多种干扰结构下的有效性。
2024-08-30 stat.ME
A causal approach to functional mediation analysis with application to a smoking cessation intervention
移动和可穿戴设备的使用增加,现在可以随着时间的推移对调解过程进行密集评估。例如,药物干预可能通过减少短暂的戒断症状对戒烟产生影响。我们定义并确定了因果直接和间接影响的潜在结果的平均差异和比值比尺度,并提出了一种方法来估计和测试间接影响的随机治疗的远端二元变量介导的非参数轨迹的密集测量的纵向变量(例如,生态环境的评价(ecological momentum assessment)通过模拟证明了间接效应的Bootstrap检验的覆盖范围。一个实证的例子是基于估计以后戒烟戒烟的渴望在戒烟治疗的模式。我们提供了一个R包,funmediation,可在CRAN上,方便地应用这种技术。最后,我们讨论了可能的扩展到多个介质和未来的研究方向。
2022-11-17 stat.ME
Causal bootstrapping
School of Computer Science, University of Birmingham(伯明翰大学计算机学院);MIT(麻省理工学院)
为了得出科学上有意义的结论并建立可靠的定量现象模型,必须考虑因果关系(无论是隐含的还是明确的)。当测量结果不是来自受控实验(干预)环境时,这尤其具有挑战性,因为因果关系可能会被虚假的间接影响所掩盖。来自机器学习的现代预测技术能够捕获变量之间的高维非线性关系,同时依赖于很少的参数或概率模型假设。然而,由于这些技术是关联的,应用于观测数据,它们很容易从非实验(观测)数据中获得虚假的影响,使它们的预测不可靠。因果推理的技术,如概率因果图和do-calculus,提供了强大的(非参数)工具,用于从这些观察数据中得出因果推理。然而,这些技术通常与现代的非参数机器学习算法不兼容,因为它们通常需要显式概率模型。在这里,我们开发因果自举增强经典的非参数自举响应与变量之间的因果关系的信息。这使得可以对观察数据进行重新采样,使得如果可以从该数据识别干预关系,则可以从原始观察数据模拟表示该关系的新数据。通过这种方式,我们可以使用现代机器学习算法不变地做出统计上强大但因果上稳健的预测。我们开发了几种因果自举算法,用于从观测数据中提取干预性推断,用于分类和回归问题,并使用合成和真实世界的例子来证明这种方法的价值。
2020-12-10 cs.LG math.ST stat.ME
Estimating heterogeneous treatment effects in nonstationary time series with state-space models
随机试验和观察性研究通常会持续一段时间。处理效应在此期间发生变化,这为治疗反应和长期效果提供了重要见解。许多用于估计处理效应的常规方法限于i.i.d.并且不适于推断处理效应的时间动态。在这些设置中遇到的时间序列是高度信息化的,但往往是非平稳的,由于不断变化的治疗效果。这增加了困难,因为平稳性,时间序列分析中的常见假设,不能合理地假设。另一个挑战是当处理对单元的影响不同时,处理效应的异质性。从非平稳,特别是介入性时间序列中估计异质处理效应的任务是高度相关的,但尚未得到探索。我们提出了因果转移,一种结合回归调整混杂与时间序列建模的方法,以了解治疗的效果以及它如何随着时间的推移而演变。因果转移不假设数据是固定的,可以应用于随机试验和观察性研究,其中治疗是混杂的。因果转移调整可能混杂因素的效应,并将学习效应转移到其他时间序列,从而估计各种形式的处理效应,例如平均处理效应(ATE)或条件平均处理效应(CATE)。通过学习效果的时间动态,因果转移还可以预测未观察到的未来时间点的处理效应,并确定处理的长期后果。
2020-04-10 stat.ME
Estimating Causal Effects From Nonparanormal Observational Data
科学的基本目标之一是解开特定系统的因果链。特别是对于大型系统,这可能是一项艰巨的任务。详细的干预和随机数据采样方法可以用来解决因果关系的问题,但对于许多系统,这样的干预是不可能的或太昂贵,以获得。最近,Maathuis et al.(2010)遵循Spirtes et al.(2000)的思想,引入了一个框架来估计大规模高斯系统中的因果效应。通过将因果网络描述为有向无环图,即使对于非高斯系统,也可以估计一类一致地描述潜在因果相互作用的马尔可夫等价系统。在这些系统中,因果效应不再是线性的,不能再用单一的系数来描述。本文导出了非高斯分布的一个大子类(称为非超正态分布)中因果效应的一般函数形式。我们还得到了一个方便的近似,它可以有效地用于估计。我们将该方法应用于观察基因表达数据集。
2016-11-29 stat.ME
Estimating Time-Varying Direct and Indirect Causal Excursion Effects with Longitudinal Binary Outcomes
构建及时的适应性干预措施,例如通过移动应用程序提供提示以促进和维持行为变化,需要了解随时间变化的调节效应,以告知我们何时以及如何提供干预选项。微随机试验(MRT)已成为一种顺序随机设计,以收集必要的数据进行效果估计。现有文献(Qian等人,2020; Boruvka等人,2018; Dempsey等人,2020)定义了一个一般类别的因果被估量,称为“因果偏移效应”,以评估随时间变化的调节效应。然而,在纵向二元结局的序贯治疗环境中,关于如何解决潜在的组间处理效应异质性和组内干扰的统计学文献有限。在本文中,基于集群概念化的潜在结果,我们定义了一个更大的类的直接和间接的因果偏移效应的近端和滞后的二元结果,并提出了一个新的推理过程,解决效果的异质性和干扰。我们提供了理论保证的一致性和渐近正态性的估计。大量的模拟研究证实了我们的理论经验,并表明所提出的程序提供了一致的点估计和区间估计的有效覆盖。最后,我们分析了多机构MRT研究的数据集,以评估移动提示对二进制研究参与结果的时变调节效应。
2022-12-02 math.ST stat.ME stat.TH
Reframing Population-Adjusted Indirect Comparisons as a Transportability Problem: An Estimand-Based Perspective and Implications for Health Technology Assessment
Thermo Fisher Scientific(赛默飞世尔科技)
本文从估计量角度形式化人口调整间接比较中的可迁移性,区分条件与边际处理效应,并揭示效应修饰、可压缩性与效应尺度如何影响迁移,为卫生技术评估中间接证据的使用提供指导。
2026-10-30 stat.ME
Power and sample size calculations for causal mediation analysis with a binary mediator in randomized trials
Yau Mathematical Sciences Center, Tsinghua University(丘成桐数学科学中心,清华大学);Yanqi Lake Beijing Institute of Mathematical Sciences and Applications(北京国际数学研究中心)
本文针对随机试验中含二分类中介变量的因果中介分析,开发了NIE和NDE的解析效力与样本量公式,经模拟验证其样本量匹配基准、效力达标且I类错误符合要求,还通过ACTG175实例展示了试点数据的校准方法。
2026-09-01 stat.ME
Mediation Analyses for the Effect of Antibodies in Vaccination
本文针对随机化疫苗试验中抗体效应的中介分析,揭示了比例λ存在两个版本及其可识别性条件,并提出三臂试验或结合被动免疫试验等新设计来识别此前无法识别的效应比例。
2023-06-06 stat.ME
Easy-to-Implement Two-Way Effect Decomposition for Any Outcome Variable with Endogenous Mediator
Korea University(韩国大学);University of Nottingham Ningbo China(诺丁汉大学宁波校区)
本文提出了一种易于实现的双向效应分解方法,通过允许中介变量内生化并使用工具变量,解决内生性问题,适用于任何类型的结果变量。
2025-12-08 stat.ME
Efficient and flexible estimation of natural mediation effects under intermediate confounding and monotonicity constraints
自然直接效应和间接效应是中介被估量,它们分解了平均处理效应,并描述了通过中介值的诱导变化(在间接效应的情况下)或不通过中介值的诱导变化(在直接效应的情况下)对比处理水平如何影响结果。在存在给药诱导的混杂因素的情况下,自然直接和间接效应通常无法点识别,但如果愿意假设给药和给药诱导的混杂因素之间存在单调性,则仍可识别出自然直接和间接效应。我们认为,这种假设可能是合理的,在相对常见的交叉设计的试验设置,干预是随机治疗分配和治疗诱导的混杂因素是是否实际采取/坚持治疗。在单调性假设下,我们发展了自然的直接和间接效应的有效性理论,并利用它提出了一个非参数的多重稳健估计。我们使用模拟研究证明了该估计量的有限样本性质,并将其应用于“转向机会研究”的数据,以估计被随机分配接受第8节住房券(最常见的联邦住房援助形式)的自然直接和间接影响-对青少年男孩中出现任何情绪或外化障碍的风险。可能通过各种学校和社区特点运作。
2022-05-09 stat.AP stat.ME
Identifying and Estimating Causal Direct Effects Under Unmeasured Confounding
McGill University(麦吉尔大学);Research Institute of the McGill University Health Centre(麦吉尔大学健康中心研究所);Harvard T.H. Chan School of Public Health(哈佛大学陈曾熙公共卫生学院);University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);Fred Hutchinson Cancer Center(弗雷德·哈钦森癌症中心);University of California, Berkeley(加州大学伯克利分校)
本文探讨在未测量混杂因素下识别因果直接效应的方法,提出放松自然直接效应的识别假设,构建灵活的估计器以评估疫苗研究中的非随机化设置。
2026-04-02 stat.AP stat.ME stat.ML
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
Reframing cross-world independence in multimediator causal models
Institute of Statistical Science, Academia Sinica(中央研究院统计科学研究所);Department of Statistics, National Taipei University(台北大学统计学系)
本研究利用SWIGs统一了经典、干预和可分离三种路径特定效应语义,将可分离效应推广至多中介模型,并提出通过纳入足够中介者近似跨世界独立性,为复杂系统中介分析提供实用策略。
2026-10-07 stat.ME
Anchors Away: Navigating Single-Arm Indirect Comparisons with Multilevel Unanchored Meta-Regression (ML-UMR-SA)
PPD, Thermo Fisher Scientific(PPD,赛默飞世尔科技)
针对随机证据缺失时的非锚定治疗比较,提出多层次非锚定元回归(ML-UMR),通过贝叶斯框架联合建模个体与汇总数据,估计多治疗、多研究及目标人群的边际和条件效应,并明确识别假设与可转移性假设。
2026-11-09 stat.AP stat.ME
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
Interaction Testing in Variation Analysis
Columbia University(哥伦比亚大学)
本文提出 variation analysis,扩展传统中介分析以分解总变异(TV)测度,明确包含直接、间接、混杂变异及路径间交互项,并引入交互检验以判断交互项是否显著,从而支持更简约的分解。
2024-11-13 cs.AI cs.LG math.ST
Identifying Causal Effects in Experiments with Spillovers and Non-compliance
本文展示了如何使用随机饱和实验设计来识别和估计存在溢出效应的因果效应-一个人的治疗可能会影响另一个人的结果-和单侧不依从性-受试者只能被提供治疗,而不是被迫接受治疗。在这种情况下,两种不同的因果效应是有意义的:直接效应量化了一个人自己的治疗如何改变她的结果,而间接效应量化了她的同伴的治疗如何改变她的结果。我们考虑的情况下,溢出发生在已知的群体,并采取决定是不变的同行的实现提供。在这种情况下,我们点识别治疗的治疗效果,直接和间接的,在一个灵活的随机系数模型,允许异质性处理效应和内源性选择到治疗。我们继续提出一个可行的估计,是一致的,渐近正常的数量和规模的群体的增加。我们应用我们的估计数据从一个大规模的就业安置服务实验,并发现负的间接处理效应的就业可能性,为那些愿意采取的程序。这些负面溢出效应被自身吸收的正面直接处理效应所抵消。
2023-01-04 econ.EM stat.ME
Continuous-time mediation analysis for repeatedly measured mediators and outcomes
针对纵向研究中连续时间过程的不规则测量问题,提出含时间依赖混杂的连续时间中介分析方法,采用微分方程动态模型估计三类因果效应,经模拟与3C脑老化研究真实案例验证有效性。
2025-01-14 stat.ME
Separable Effects for Causal Inference in the Presence of Competing Events
在事件发生时间背景下,竞争事件的存在使因果效应的定义复杂化。在这里,我们提出了新的可分离效应来研究治疗对感兴趣事件的因果效应。可分离的直接效应是对感兴趣事件的处理效应,而不是通过其对竞争事件的效应介导的。可分离的间接效应是仅通过对竞争项目的影响而对感兴趣项目产生的处理效应。与罗宾斯和理查森的中介分析的扩展图形方法类似,只有在治疗可以分解为两个不同的组成部分,通过不同的因果路径发挥其作用的假设下,才能识别可分离的效果。与竞争事件存在时因果效应的现有定义不同,我们的被估量不需要跨世界对比或假设干预来防止死亡。作为一个例子,我们将我们的方法应用于前列腺癌患者雌激素治疗的随机临床试验。
2020-02-13 stat.ME
Split-Treatment Analysis to Rank Heterogeneous Causal Effects for Prospective Interventions
Georgia Institute of Technology(佐治亚理工学院);Microsoft Research India(微软印度研究院);Microsoft(微软);Microsoft Research AI(微软人工智能研究院)
对于许多类型的干预,如新广告,营销干预或功能推荐,重要的是要针对特定的人群子集,以最小的成本或潜在的伤害最大化其利益。然而,一个关键的挑战是,由于尚未部署这种前瞻性干预措施,因此没有关于其效果的数据。在这项工作中,我们提出了一个分裂治疗分析,排名个人最有可能受到积极影响的前瞻性干预使用过去的观察数据。与标准的因果推断方法不同,分割处理方法不需要对目标处理本身进行任何观察。相反,它依赖于由目标治疗引起的代理治疗的观察。在合理的假设下,我们证明了基于替代治疗的异质性因果效应的排序与基于目标治疗效应的排序是相同的。在没有任何用于交叉验证的干预性数据的情况下,分割治疗使用敏感性分析对未观察到的混杂因素进行选择模型参数。我们将分割处理应用于模拟数据和大规模的现实目标任务,并通过后者的随机实验验证我们发现的排名。
2020-11-11 cs.LG 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
Generalized interpretation and identification of separable effects in competing event settings
在竞争事件背景下,原因特异性累积发生率的反事实对比量化了治疗对关注事件的总体因果效应。然而,治疗对比赛项目的影响可能间接地促成了这一总效应,使其解释复杂化。我们之前提出了可分离效应(Stensrud et al,2019),以定义治疗对关注事件的直接和间接效应。该定义的前提是将治疗分解为两个成分,沿着两个独立的因果路径起作用,一个完全在竞争事件之外,另一个完全通过竞争事件。与以前的直接和间接效应定义不同,在对治疗成分进行单独干预的研究中,可以对可分离效应进行实证审查。在这里,我们扩展和推广的概念,可分离的影响,在几个方面,允许解释,识别和估计下相当弱的假设。我们提出并讨论了一个定义的可分离的效果,适用于一般的时变结构,其中的可分离的效果仍然可以有意义地解释,即使它们不能被视为直接和间接的影响。我们进一步推导出在尚未提供分解治疗的观察性研究中识别可分离效应的较弱条件;特别是,这些条件允许感兴趣事件、竞争事件和失访的常见原因随时间变化。对于这些一般设置,我们提出了半参数加权估计,是直接实现。作为一个例子,我们应用估计量来研究强化血压治疗对急性肾损伤的可分离影响,使用随机临床试验的数据。
2020-05-05 math.ST stat.ME stat.TH
Identification of Average Causal Effects in Confounded Additive Noise Models
针对存在未观测高斯混杂因子的加性噪声模型,提出估计任意处理子集平均因果效应的方法与随机化算法,仅需多对数级别干预即可高概率识别因果效应与结构,有限样本与半合成数据验证了其有效性。
2024-07-13 stat.ME stat.ML
Nonparametric Bounds and Sensitivity Analysis of Treatment Effects
本文考虑对治疗(或暴露)对感兴趣结果的影响进行推断。在随机分配治疗的理想环境中,在某些假设下,处理效应可从可观察数据中识别,推断简单明了。然而,在其他情况下,如观察性研究或不依从的随机试验,处理效应不再是可识别的,而不依赖于不可检验的假设。尽管如此,可观察的数据通常确实提供了一些关于治疗效果的信息,也就是说,感兴趣的参数是部分可识别的。在这种情况下,通常采用两种方法:(i)在最小假设下推导治疗效果的界限,或(ii)调用其他不可检验的假设,使治疗效果可识别,然后进行敏感性分析,以评估随着不可检验的假设的变化,关于处理效应的推断如何变化。方法(一)和(二)是在各种情况下考虑的,包括评估主要的分层效应、直接和间接效应以及随时间变化的照射效应。还讨论了对部分识别参数进行形式化推理的方法。
2015-03-05 stat.ME
A causal framework for evaluating the total effect of strategies aiming to expand screening and to improve outcomes
University of California, Berkeley(加州大学伯克利分校);Kenya Medical Research Institute (KEMRI)(肯尼亚医学研究所);Infectious Disease Research Collaboration (IDRC)(传染病研究合作组织);Makerere University(Makerere大学);University of California, San Francisco(加州大学旧金山分校)
针对集群随机试验中多层次、缺失数据和中介效应问题,提出反事实分层效应定义总效应,并扩展两阶段目标最小损失估计(TMLE)进行识别和估计。
2026-06-19 stat.ME