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
A Tutorial on Conducting Mediation Analysis with Exposure Mixtures
本文介绍了暴露混合物中介分析的常用方法，包括SE-MA、主成分、环境风险评分和贝叶斯核机器回归法，通过模拟研究和PROTECT队列数据评估其性能并提供实施指导。
2025-09-13 stat.AP stat.ME
Mediation Analysis using Semi-parametric Shape-Restricted Regression with Applications
本文提出一种基于半参数形状约束回归的中介分析方法，应用于胎儿内分泌数据，发现农药施用对出生体重的直接效应为正而间接效应为负。
2023-10-13 stat.AP 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
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
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
Identification, Inference and Sensitivity Analysis for Causal Mediation Effects
因果中介分析是应用研究人员在不同学科中进行的常规分析。这种分析的目的是通过检查中间变量的作用来研究替代的因果机制，这些中间变量位于治疗和结果变量之间的因果路径中。在本文中，我们首先证明了在一个特定版本的序贯可检验性假设下，平均因果中介效应（ACME）是非参数确定的。我们比较我们的识别假设与文献中提出的。我们的识别结果的一些实际意义进行了讨论。特别是，流行的估计基于线性结构方程模型（LSEM）可以被解释为一个ACME估计，一旦额外的参数假设。我们表明，这些假设可以在LSEM框架内外轻松放宽，并提出简单的非参数估计策略。其次，也许是最重要的，我们提出了一个新的敏感性分析，可以很容易地实现应用研究人员在LSEM框架内。与现有的识别假设一样，所提出的序列可识别性假设在许多应用环境中可能过于强大。因此，敏感性分析是必不可少的，以检查的鲁棒性的实证研究结果可能存在的一个不可测量的混杂因素。最后，我们将所提出的方法应用于政治心理学的随机实验。我们还提供了易于使用的软件来实现所提出的方法。
2010-11-04 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 Analysis: Selection with Asymptotically Valid Inference
研究人员不仅对治疗对结果的影响感兴趣，而且还对这些影响的作用途径感兴趣。中介是一个变量，它受治疗的影响，并随后影响结果。现有的惩罚性中介分析方法可能会导致忽略重要的中介，或者假设有限维线性模型足以消除混杂偏倚，或者根本不执行混杂控制。实际上，这些假设可能并不成立。我们提出了一种方法，认为混杂函数作为滋扰参数估计使用数据自适应方法。然后，我们使用一种新的正则化方法应用到这个目标函数，以确定一组重要的调解人。在一定的假设下，我们得到了估计量的渐近性质，并建立了预言性质。渐近结果也提出了在一个本地设置的对比建议与标准的自适应套索。我们还提出了一个扰动引导技术，提供渐近有效的选择后推理的介导的影响。这些方法的性能将通过模拟研究进行讨论和论证。
2021-12-20 stat.ME
Mediation Analysis Without Sequential Ignorability: Using Baseline Covariates Interacted with Random Assignment as Instrumental Variables
在随机试验中，研究人员通常对中介分析感兴趣，以了解治疗是如何工作的，特别是有多少治疗的效果是由中介变量介导的，以及有多少治疗直接影响结果而不是通过中介。中介分析的标准回归方法假设中介的序贯可验证性，也就是说，给定基线协变量和随机化治疗，中介被有效地随机分配。由于实验没有随机化中介，序贯可验证性往往不合理。Ten Have et al.（2007，Biometrics）、Dunn and Bentall（2007，Statistics in Medicine）和Albert（2008，Statistics in Medicine）提出了使用基线协变量与随机分配相互作用作为工具变量的方法，并且不需要序贯可验证性。我们对这一方法做出了两个贡献。首先，在以前的工作中的工具变量的方法，它已被假定为治疗的直接影响和中介的影响是恒定的跨学科，我们允许跨学科的影响的变化，并显示需要什么样的假设，以获得相合估计这种设置。其次，我们开发了一种敏感性分析的方法，违反了关键假设，治疗的直接影响和中介的影响不依赖于基线协变量。
2012-12-31 stat.ME
Energy Balancing Weights for Mediation Analysis
Juntendo University（顺天堂大学）；GlaxoSmithKline K.K.（葛兰素史克株式会社）
本研究针对因果中介分析提出EBWMA方法，无需建模处理分配等，通过二次规划最小化能量距离，模拟与实证分析显示其偏差、均方根误差及变异性表现优于对比方法。
2026-08-18 stat.ME
Sequential mediation of parasocial relationships for purchase intention: PLS-SEM and machine learning approach
本研究通过PLS-SEM和机器学习方法，利用欧洲和东南亚样本探讨了来源影响力经准社会关系序列中介对购买意向的影响，发现可信度与专业性是关键，且受众相关特征比品牌相关特征作用更大。
2023-06-08 stat.AP
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
A Framework for Mediation Analysis with Massive Data
本文提出利用子采样双重bootstrap和分治算法对大规模数据集进行中介分析，在保证置信区间覆盖率和功效的同时显著提升了计算效率。
2023-05-17 stat.CO
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
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
Assumption Smuggling in Intermediate Outcome Tests of Causal Mechanisms
本文通过非参数边界分析证明中间结果检验在缺乏额外假设时无法确立或排除因果机制，并提出评估单调性假设合理性的方法，为两个近期实验估计边界。
2024-11-19 stat.AP 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。
2026-06-29 cs.LG econ.EM math.ST
A Practical Guide to Counterfactual Estimators for Causal Inference with Time-Series Cross-Sectional Data
本文介绍了一个简单的框架，反事实估计因果推断与时间序列横截面数据，其中我们估计的平均处理效应的治疗直接归因于反事实的结果治疗观察。在此框架下，我们讨论了几个新的估计，包括固定效应反事实估计，交互式固定效应反事实估计，矩阵完成估计。当处理效应具有异质性或存在未观察到的时变混杂因素时，它们提供了比传统的双向固定效应模型更可靠的因果估计。此外，我们提出了一个新的动态处理效应图，以及几个诊断测试，以帮助研究人员衡量识别假设的有效性。我们用两个政治经济学的例子来说明这些方法，并在R和Stata中开发了一个开源包fect，以促进实施。
2022-08-14 stat.AP stat.ME
Decomposition of Total Effect with the Notion of Natural Counterfactual Interaction Effect
中介分析是基于有向无环图进行因果推断的重要工具，已广泛应用于生物医学、社会科学、流行病学和心理学等领域。总效应的分解提供了一个深刻的洞察力，以充分理解每个路径和相互作用项的因果贡献。自从四向分解方法被提出来识别反事实框架中的中介交互效应以来，这一思想已经扩展到具有非顺序多个中介的更复杂的场景。然而，该方法具有局限性，因为因果结构包含中介之间的直接因果边缘，如不适当的依赖性和不可识别性建模。我们发展了自然反事实相互作用效应的概念，并发现总效应的分解可以与我们提出的概念一致地实现。此外，自然反事实交互作用克服了上述缺陷，具有清晰而有意义的解释，这将极大地提高研究者分析高度复杂因果结构的能力。
2020-04-13 stat.AP stat.ME stat.OT
COVID-19 Policy Impact Evaluation: A guide to common design issues
应对COVID-19的政策，特别是与非药物干预相关的政策，在规模和范围上都是前所未有的。流行病学家比以往任何时候都更多地参与决策和证据生成。然而，政策影响评估总是需要复杂的环境，研究设计，数据，统计和分析的组合。除了任何政策都面临的问题外，对COVID-19政策的评估因与传染病动态和滞后有关的额外挑战而变得复杂，缺乏对关键结果的直接观察，以及在加速的时间尺度上发生的多种干预措施。政策层面影响评估所需的方法在流行病学中并不经常使用或教授，并且在重要方面可能并不明显。政策评估的数量和速度以及方法上的复杂性可能使决策者和研究人员难以综合和评估COVID-19卫生政策文件中的证据强度。在本文中，我们（1）介绍了针对观测数据的政策影响评估设计的基本套件，包括横截面分析、前/后、中断时间序列和差异中差异分析，（2）展示了在COVID-19背景下，这些设计背后的要求和假设经常被违反的关键方式，以及（3）为决策者和审查者提供识别这些关键违规行为的概念和图形指南。本文的总体目标是帮助流行病学家、政策制定者、期刊编辑、记者、研究人员和其他研究消费者理解和权衡对决策至关重要的证据的优势和局限性。
2021-04-16 stat.ME
Difference-in-Differences Designs: A Practitioner's Guide
本文针对经典双重差分（DiD）设计之外实证实践随意的问题，提出组织框架梳理各类DiD设计与估计量，涵盖协变量、权重等内容，且可推广至DiD方法的其他扩展。
2025-06-17 econ.EM stat.ME
A Practical Guide to Instrumental Variables Methods with Heterogeneous Treatment Effects
Brandeis University（布兰迪斯大学）；University College London（伦敦大学学院）；LMU Munich（慕尼黑大学）
本文提供工具变量方法在异质处理效应框架下的实用指南，讨论了不同规范对协变量加权平均的影响，参数误设的因果解释问题，以及LATE假设检验方法。
2026-07-22 econ.EM 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
When Do Traditional and Causal Decomposition Methods Diverge? A Practical Guide for Studying Health Disparities
University of California, Riverside（加利福尼亚大学河滨分校）
本文系统比较传统分解方法与因果分解方法在健康差异研究中的差异，通过有向无环图和模拟研究提供方法选择指南，并应用于教育对种族认知差异的案例。
2026-06-25 stat.AP stat.ME
A Practical Guide to Modern Imputation
Research Institute for Statistics and Information Science（统计与信息科学研究所）；University of Geneva（日内瓦大学）
本文提供现代缺失值填补的实用指南，帮助研究人员避免常见错误。
2026-01-21 stat.AP
Astronomical observations: a guide for allied researchers
观测天体物理学利用尖端技术收集和测量来自地球以外的电磁辐射和其他辐射。现代天文台产生大型复杂的数据集，从中提取尽可能多的信息需要物理学和天文学以外许多领域的专家的专业知识，从土木工程师到统计学家和软件工程师。本文介绍了专业天文观测的要点，为相关领域的同行提供了设施建设和数据分析的背景知识。它涵盖了电磁辐射通过望远镜，光学，探测器和仪器的路径，通过处理将其转化为测量和信息，以及使用这些信息来提高我们对宇宙物理学及其历史的理解。
2019-03-11 astro-ph.IM physics.ed-ph stat.AP
Ratios: A short guide to confidence limits and proper use
研究人员经常计算测量量的比率。确定比率的置信限是困难的，而且通常不知道适当的方法。描述了适当的方法（Fieller，Taylor，特殊自举方法）。对于Fieller方法，给出了一个简单的几何解释。蒙特卡罗模拟表明，当这些方法是适当的，最常用的方法（指数法和零方差法）可以导致大的自由偏离所需的置信水平。它讨论了当我们可以使用标准回归或测量误差模型，当我们不得不求助于异方差数据的特定模型。最后，一个古老的警告再次出现，即如果我们使用比率，我们应该意识到虚假相关性的问题。
2007-10-10 stat.AP stat.ME
Computing with R-INLA: Accuracy and reproducibility with implications for the analysis of COVID-19 data
用于分析医疗数据的统计方法变得越来越复杂。新的统计方法越来越依赖于模拟研究来评估其有效性。这种评估通常出现在统计或计算期刊上，然后通过教程将方法介绍给医学界。如果应用研究人员在未经评估的环境中使用这些方法，这可能会产生问题。在本文中，我们探讨了一种在2019年冠状病毒病（COVID-19）数据分析中流行的方法的案例研究。在R-INLA软件包中实现的集成嵌套拉普拉斯近似（INLA）近似了从完全贝叶斯分析中获得的目标参数的边缘后验分布。我们试图回答一个重要的问题：关于INLA近似值准确性的现有研究是否支持研究人员目前如何使用它来分析COVID-19数据？我们确定了评估INLA准确性的三个限制：1）准确性的定义不一致，2）缺乏验证研究人员实际使用INLA的研究，3）缺乏对INLA输出的可重复性的研究。我们根据COVID-19研究中使用的模型和数据进行模拟研究，探索每个限制的实际影响。我们的研究结果表明，现有的评估INLA技术准确性的方法可能不支持COVID-19研究人员如何使用它。在我们的研究结果的部分指导下，我们为研究人员使用主要通过模拟研究验证的统计方法学提供了一套建议的最低指导原则。
2021-11-01 stat.AP
