Mediation analysis with the mediator and outcome missing not at random
本文针对中介变量和结果变量非随机缺失问题，提出可解释的缺失机制并研究直接与间接效应的可识别性，通过模拟和National Job Corps Study数据验证方法。
2023-09-22 stat.ME
Estimating the natural indirect effect and the mediation proportion via the product method
自然间接效应（NIE）和中介比例（MP）是中介分析的两个重要指标。估计NIE和MP的标准方法是通过乘积法，其中包括一个以中介和暴露为条件的结果模型，以及另一个描述确定性-中介关系的模型。本文的目的是全面发展和研究有限样本性能的NIE和MP估计通过产品的方法。针对四种常见的数据类型，利用估计方程理论和多元delta方法，提出了封闭形式的区间估计，并评价了其相对于Bootstrap方法的经验性能.此外，我们还观察到，罕见结局假设经常被用来近似具有二元结局的NIE和MP，尽管当结局常见时，这种近似可能导致不可忽略的偏倚。因此，我们介绍了确切的表达NIE和MP的二元结果没有罕见的结果假设，并比较其性能与近似估计。基于这些理论发展和实证研究，我们提供了一些实用的建议，以告知实践。为了实现本文所讨论的点估计和方差估计方法，开发了一个R软件包mediateP。
2021-08-19 stat.ME
Clinically Relevant Mediation Analysis using Controlled Indirect Effect
中介分析允许人们使用观察数据来估计暴露对结果的因果影响中涉及的每个潜在中介途径的重要性。然而，目前的方法，中介分析与多个中介要么涉及假设无法验证的实验，或估计的效果时，中介共同操纵，排除了实际的实验设计，由于维数灾难，或难以解释时，任意因果关系的依赖关系。我们提出了一种方法，中介分析的多个可操纵的中介任意因果依赖关系。所提出的方法是临床相关的，因为总效应的分解不涉及跨世界假设下的效应，并且集中在操纵（即处理）一个单一介质后的效应，这在临床场景中更相关。我们使用模拟数据、来自政治学的“框架”数据集和来自临床回顾性队列研究的HIV-脑年龄数据集来说明这种方法。我们的研究结果提供了潜在的指导，临床医生作出合理的选择，操纵的介质之一，以优化结果。
2020-06-21 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 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
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
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
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
Causal Mediation Analysis for Panel Data with Double/Debiased Machine Learning
Fudan University（复旦大学）
该研究提出结合双重/去偏机器学习的面板数据因果中介分析框架，可处理双向固定效应下的各类处理与中介变量，通过模拟验证其估计性能，应用美国县数据揭示总效应分解的敏感性。
2026-10-16 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
Total-effect Test May Erroneously Reject So-called "Full" or "Complete" Mediation
本文通过数学证明、模拟和真实数据示例表明，总效应检验可能错误地拒绝仅间接中介（完全中介），并据此提议重新审视中介分析理论，引入过程与产物分析（PAPA）作为更全面的替代方法。
2023-09-25 econ.EM stat.AP stat.ME
Longitudinal Mediation Analysis with Latent Growth Curves
本文在一个反事实框架下研究了潜在增长曲线模型下纵向数据的中介分析。估计量及其标准误是针对自然直接和间接效应而得出的，此时，中介、结果以及可能的暴露可以通过引起增长曲线的潜在变量来建模。还考虑其中曝光改为固定在单个时间点的设置。
2021-03-09 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
Unveiling Causal Mediation Pathways in High-Dimensional Mixed Exposures: A Data-Adaptive Target Parameter Strategy
本文提出NOVAPathways框架，通过数据自适应目标参数与随机干预相结合，在高维混合暴露场景中识别暴露-中介路径并估计自然直接和间接效应，为公共政策提供更有效的统计依据。
2023-07-05 stat.ME
Robust Mediation Analysis: The R Package robmed
中介分析是社会科学、行为科学和医学科学中最广泛使用的统计技术之一。中介模型允许研究自变量如何通过一个或多个中介变量间接影响因变量，这些中介变量称为中介变量。通常通过一系列线性回归进行分析，在这种情况下，间接影响可以计算为这些回归系数的乘积。间接效应的统计学显著性通常通过基于普通最小二乘估计的自举检验进行评估。然而，这个测试是敏感的离群值或其他偏离正态假设，这构成了严重的威胁，实证检验理论的调解机制。R包robmed实现了一个强大的程序，中介分析的基础上，快速和强大的自助方法，强大的回归估计，即使数据偏离通常的正态性假设，产生可靠的结果。用于中介分析的各种其他过程也包含在软件包robmed中。此外，robmed引入了一个新的公式界面，允许使用单个公式指定中介模型，并提供各种诊断图或结果的可视化表示。
2022-08-17 stat.CO
Causal mediation analysis for stochastic interventions
传统上，因果推断中的中介分析主要关注二元暴露和确定性干预，以及直接和间接效应方面的平均处理效应分解。在本文中，我们提出了一个类似的分解的\textit{population intervention effect}，定义通过随机干预的曝光。人口干预效应提供了一个广义的框架，其中可以定义各种有趣的因果对比，包括连续和分类暴露的影响。我们发现，在没有受暴露影响的中介-结果混杂因素的假设下，识别群体干预效应的直接和间接效应需要比其对应的平均处理效应更弱的假设。特别是，在随机化暴露和介质的实验中，直接影响的识别是有保证的。我们讨论各种估计的直接和间接的影响，包括替代，重新加权，和有效的估计的基础上灵活的回归技术，允许多变量介质。我们的有效估计是渐近线性的条件下，要求$n^{1/4}$ -某些回归函数的一致性。我们进行了模拟研究，我们评估我们提出的估计的有限样本属性。我们提出了一项说明性研究的结果，在该研究中，我们评估了参加运动队对儿童BMI的影响，使用了运动习惯、每日零食摄入量和超重状况等中介因素。
2019-06-24 stat.ME
Interpretable sensitivity analysis for the Baron-Kenny approach to mediation with unmeasured confounding
本文针对未测量混杂下Baron-Kenny中介分析估计有偏的问题，推导了向量线性回归的遗漏变量偏差公式，提出了对应有向无环图自然分解的可解释敏感性参数，并定义了“中介稳健性值”以评估结果对未测量混杂的稳健性，同时证明了所有敏感性边界均紧致可达。
2025-04-04 stat.ME
A Bayesian Joint Model for Compositional Mediation Effect Selection in Microbiome Data
本文提出面向成分微生物组数据的贝叶斯联合模型，以同时识别、估计并量化直接、相对间接和总体间接效应，并通过模拟和小鼠抗生素基准数据验证其选择性能。
2023-04-26 stat.AP stat.ME
The Identification and Estimation of Direct and Indirect Effects in A/B Tests through Causal Mediation Analysis
电子商务公司有许多在线产品，如有机搜索，赞助搜索和推荐模块，以满足客户的需求。虽然这些产品中的每一个都为用户提供了与整体库存的一部分进行交互的独特机会，但它们都是用户的类似渠道，并且争夺用户有限的时间和金钱预算。为了优化用户在电子商务平台上的整体体验，而不是单独了解和改进不同的产品，重要的是要深入了解一种产品的变化会导致用户改变其他产品的行为的证据，这可能是由于这些产品在功能上相似。在本文中，我们引入因果中介分析作为一种正式的统计工具，以揭示潜在的因果机制。现有文献对存在多种不可测量的因果依赖性介质的情况几乎没有提供指导，这在A/B测试中很常见。我们寻求一种新的方法来确定在这些情况下的治疗的直接和间接影响。最后，我们在Etsy的真实A/B测试数据中证明了所提出的方法的有效性，并揭示了不同产品之间的复杂关系。
2019-06-24 math.ST stat.AP stat.ME
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
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
Estimation of natural indirect effects robust to unmeasured confounding and mediator measurement error
使用因果中介分析来评估暴露影响结果的途径在社会和生物医学科学中很普遍。这一领域的最新进展为确定和估计自然的直接和间接影响确立了正式条件。然而，这些条件通常涉及严格的无未测量的混杂假设，以及中介人已被测量无误差。在经常采用调解方法的实践中，这些假设可能不成立。本文的目的是双重的。首先，我们表明，自然的间接效应，事实上可以确定在存在不可测量的确定性结果混杂的中介和不可测量的混杂因素（S）之间没有添加剂的相互作用。其次，我们引入了一个新的自然间接效应的估计，是强大的经典测量误差的调解人和不可测量的混杂的确定结果和调解结果的关系在某些无相互作用的假设。我们提供了正式的证明和模拟研究来证明我们的结果。
2018-08-10 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
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
M-learner:A Flexible And Powerful Framework To Study Heterogeneous Treatment Effect In Mediation Model
Department of Biostatistics, The University of Texas MD Anderson Cancer Center（生物统计学系，德克萨斯大学MD安德森癌症中心）；Center for Design and Analysis, Amgen（设计与分析中心，安进）；Telperian
提出 M-learner 框架，通过计算个体条件平均效应、构建距离矩阵、tSNE 投影与 K-means 聚类及阈值校准四步法，首次在中介模型中估计异质性处理效应并识别子群，实验验证其有效性与广泛适用性。
2025-08-12 cs.LG stat.ME stat.ML
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
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
Proximal mediation analysis
针对未测量混杂下自然直接与间接效应的识别与推断，提出三个近端识别结果及半参数框架，得到局部有效且多重稳健的估计量。
2023-08-30 stat.ME
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
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
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
Mediation Analysis for Censored Survival Data under an Accelerated Failure Time Model
因果中介分析的最新进展已经正式确定了在各种情况下估计直接和间接影响的条件。这些方法已经扩展到许多生存结果模型，包括加速失效时间（AFT）模型，这些模型由于其直观的解释而广泛用于广泛的健康应用。在这种情况下，有人建议，在标准假设下，“差异”和“产品”的方法产生等效的暴露对生存结果的间接影响的估计。我们正式表明，这两种方法可能会产生很大的不同的估计存在删失或截断，由于一种形式的模型误设定。具体来说，我们建立，而产品的方法仍然有效的标准假设下，在存在独立的删失，差异的方法可以有偏见的存在，这样的删失时，误差分布的AFT模型未能崩溃边缘化的调解人。对于大多数中介和结果误差分布的选择，情况总是如此。一个值得注意的例外出现在正常中介正常结果的情况下，我们在存在独立删失的情况下显示差异和乘积估计的一致性。这些结果在模拟研究和两个数据应用中得到了证实。
2017-01-10 stat.ME
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
Semiparametric Causal Mediation Analysis for Linear Models with Non-Gaussian Errors: Applications to Drug Treatment and Social Program Evaluation
Ewha Womans University（梨花女子大学）
本文提出了一种半参数因果中介框架，用于处理线性模型中可能的非高斯误差，通过半参数高效回归估计、多启动拟合算法和堆叠估计方程，提高了非高斯误差下的中介效应估计精度和可靠性。
2026-04-09 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
Population-average mediation analysis for zero-inflated count outcomes
本文针对零膨胀计数结局提出基于边缘化零膨胀泊松模型和反事实方法的总体平均中介分析新方法，可快速估计方差并处理暴露-中介交互，模拟显示其偏倚更小、计算更快且解释更直接。
2023-08-13 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
DeepMed: Semiparametric Causal Mediation Analysis with Debiased Deep Learning
University of Hong Kong（香港大学）；Shanghai Jiao Tong University（上海交通大学）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；Columbia University（哥伦比亚大学）
因果中介分析可以解开因果关系的黑匣子，因此是解开生物医学和社会科学中因果路径的有力工具，也是评估机器学习公平性的有力工具。为了减少在中介分析中估计自然直接和间接效应的偏差，我们提出了一种名为DeepMed的新方法，该方法使用深度神经网络（DNN）来交叉拟合有效影响函数中的无限维滋扰函数。我们获得了新的理论结果，即我们的DeepMed方法（1）可以在不对DNN架构施加稀疏性约束的情况下实现半参数效率界，（2）可以适应滋扰函数的某些低维结构，显着推进了基于DNN的半参数因果推断的现有文献。进行了大量的合成实验，以支持我们的研究结果，也暴露了理论和实践之间的差距。作为概念验证，我们应用DeepMed分析了两个关于机器学习公平性的真实数据集，并得出了与之前发现一致的结论。
2022-12-26 cs.LG stat.ME stat.ML
Longitudinal Mediation Analysis Using Natural Effect Models
中介分析关注的是将暴露对结果的总影响分解为通过给定中介的间接影响和剩余的直接影响。理想情况下，这是通过使用介质的纵向测量来完成的，因为这些测量更精细地捕获介质过程。然而，纵向测量对中介分析提出了挑战。这是因为在给定时间点测量的介质和结果可以作为介质和结果之间的关联在稍后的时间点的混杂因素;这些混杂因素本身受到先前暴露和结果的影响。不能使用标准方法（例如，广义估计方程）处理此类治疗后混杂。由于需要所谓的跨世界反事实来分解总效应，分析变得更加复杂。本文将讨论这些挑战。特别是，我们引入所谓的自然效应模型，参数化的直接和间接影响的基线暴露w.r.t.一个纵向的中介和结果。这些可以被视为边际结构模型的推广，以实现效果分解。我们引入逆概率加权技术来拟合这些模型，调整（测量）随时间变化的混杂的中介结果的关联。该方法的应用使用了英国千禧年队列研究的数据。
2019-12-03 math.ST stat.ME stat.TH
Identification and estimation of mediational effects of longitudinal modified treatment policies
提出一种半参数方法用于纵向连续治疗的中介分析，基于双重稳健伪结果和交叉拟合序贯回归实现高效估计，并应用于IMV对COVID-19患者生存影响的研究。
2025-09-16 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
Bayesian Structured Mediation Analysis With Unobserved Confounders
University of Chicago（芝加哥大学）；North Carolina State University（北卡罗来纳州立大学）；University of Michigan（密歇根大学）
针对具有空间平滑结构的高维中介变量（如脑成像数据）中未观测混杂因素影响的问题，提出贝叶斯结构化中介分析（BASMU）框架，通过引入潜在个体效应作为未观测混杂因素来去偏中介效应，并建立模型可识别性条件与两阶段估计算法。
2026-05-27 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
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
Mediation Analysis with Multiple Mediators Subject to Missing Not at Random
School of Mathematics and Statistics, Beijing Technology and Business University（北京工商大学数学与统计学院）
本文针对存在非随机缺失的多重中介问题，建立因果中介效应的识别框架并开发估计方法，经模拟验证有效，应用于NHANES数据展示了方法的实用性。
2026-07-31 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
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
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
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
Regression-based approach for natural direct and indirect relative risk in case of multiple mediators
University of Florence（佛罗伦萨大学）
该研究针对多中介且结局为二分类的情形，提出基于回归的统一因果中介分析框架，推导因果效应闭式表达式并开发似然推断方法，通过实证应用验证其有效性。
2026-08-04 stat.ME
Joint Model for Mediation Analysis with Causally Related Longitudinal and Recurrent Event Mediators for Survival Outcome
University of Nebraska Medical Center（内布拉斯加大学医学中心）；Washington University in St. Louis（华盛顿大学圣路易斯分校）
该研究针对临床纵向研究中多种中介因果机制研究方法有限的问题，提出新颖因果中介分析框架，纳入共享随机效应等扩展联合建模方法，应用于艾滋病研究，证明方法有效性和稳健性，能全面研究纵向研究因果途径。
2026-07-28 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
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
Simpson's paradox in Covid-19 case fatality rates: a mediation analysis of age-related causal effects
我们指出辛普森悖论在新冠肺炎病死率（CFR）中的一个实例：将中国的一项大规模研究（2月17日）与意大利的早期报告（3月9日）进行比较，我们发现意大利每个年龄组的CFR都较低，但总体较高。这一现象的原因是两国人口统计学上的明显差异。以此为例，我们介绍了中介分析的基本概念，并展示了当假设一个涉及国家、年龄和病死率的粗粒度因果图时，这些概念如何用于量化不同的直接和间接影响。我们策划了一个年龄分层的CFR数据集，其中包含超过75万例病例，并进行了一项案例研究，调查了不同国家和不同时间点之间的总的、直接的和间接的（年龄介导的）因果效应。这使我们能够将与年龄相关的影响与其他与年龄无关的影响分开，并有助于更透明地比较处于COVID-19大流行不同阶段的国家的CFR。使用意大利的纵向数据，我们发现3月中旬的直接因果效应出现了符号反转，这与该国部分地区报告的医疗保健系统崩溃在时间上一致。此外，我们发现，132对国家的直接和间接影响只有微弱的相关性，这表明一个国家的政策和病例人口统计可能在很大程度上是无关的。我们指出了未来工作的局限性和扩展，最后，讨论了因果推理在使用人工智能对抗新冠肺炎大流行的更广泛背景下的作用。
2021-06-23 stat.AP stat.ME
