Non-parametric efficient causal mediation with intermediate confounders
中介分析的干预效应被提出作为一种解决方案，在存在受暴露影响的中介-结果混杂因素的情况下，自然（非）直接效应缺乏可识别性。本文对非参数统计模型中基于有效影响函数（EIF）的干预（非）直接效应估计量的性质进行了理论和计算研究。我们使用EIF开发两个渐近最优的，非参数估计，利用数据自适应回归估计的滋扰参数：一步估计和有针对性的最小损失估计。GitHub上提供了一个实现我们提出的估计器的免费开源\texttt{R}包。我们进一步提出的结果，建立这些估计是一致的，乘强大的，$n^{1/2}$一致和有效的条件下。我们说明了有限样本的估计性能，并证实了我们的理论结果在模拟研究。我们还展示了使用的估计在我们的激励应用程序，以阐明背后的机制，无意中的有害影响，住房干预对青春期女孩的风险行为。
2020-05-29 stat.ME
Efficient and flexible causal mediation with time-varying mediators, treatments, and confounders
干预效应已被提出作为一种解决方案，自然（不）直接影响下的中介结果混杂影响的曝光。这种混杂因素是具有时变暴露和介质的研究的固有特征，但将干预效应框架推广到时变情况在文献中很少受到关注。我们提出了一个一般的纵向数据结构，允许灵活性的规范治疗结果，治疗中介，中介结果关系的干预效果的识别结果。在标准的无未测量混杂因素和阳性假设下实现识别。我们还提出了一个理论和计算研究的识别功能的有效影响函数（EIF）的基础上的属性。我们使用EIF提出了一个序贯回归估计算法，产生双重强大的，$\sqrt{n}$一致的，渐近高斯，和有效的估计下使用的回归算法收敛速度慢。这允许使用灵活的机器学习进行回归，同时允许通过置信区间和p值进行不确定性量化。GitHub上提供了一个实现我们提出的估计器的免费开源\texttt{R}包。我们将所提出的估计量应用于两种药物治疗阿片类药物使用障碍的比较有效性试验。在应用中，我们估计了两种治疗方法对阿片类药物使用后续风险的差异在多大程度上是由渴望症状介导的。
2022-03-28 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
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
The positivity assumption in causal mediation analyses? Checked!
Université Laval（拉瓦尔大学）；Centre de Recherche du CHU de Québec - Université Laval（魁北克大学医院研究中心-拉瓦尔大学）；Université de Montréal（蒙特利尔大学）；Centre de recherche Azrieli, CHU Sainte-Justine（阿兹里埃研究中心，圣朱斯蒂娜大学医院）；Université du Québec à Montréal（蒙特利尔大学）；Faculté de Pharmacie, Université de Montréal（蒙特利尔大学药学院）；McGill University（麦吉尔大学）
研究针对因果中介分析中常被忽视的正性假设，将PoRT算法扩展到多种中介效应，通过心理健康应用展示其用法，还讨论了正性假设违背的后果及建议，为因果中介分析提供了有效检验方法。
2026-07-29 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
Inference for Individual Mediation Effects and Interventional Effects in Sparse High-Dimensional Causal Graphical Models
我们考虑的问题，确定中间变量（或介质），调节治疗的效果对反应变量。虽然已经有了显着的研究，这个经典的话题，很少的工作已经做了一套潜在的调解人是高维（HD）。当这些介质相互关联（具有未知的依赖性）时，会出现进一步的复杂性。特别是，我们假设治疗的因果结构，混杂因素，潜在的介质和反应是一个（可能是未知的）有向无环图（DAG）。HD DAG模型以前曾用于估计观测数据的因果效应。特别是，称为IDA和联合IDA的方法已经分别开发用于估计单一和多个同时干预的效果。在本文中，我们提出了一个IDA型的方法，称为MIDA的估计所谓的个人中介作用，从HD观测数据。虽然IDA和联合IDA估计已被证明是一致的，在某些稀疏HD设置，其渐近性质，如依分布收敛和推理工具，在这样的设置仍然未知。本文证明了具有亚高斯误差的线性结构方程模型的MIDA的HD相合性。更重要的是，我们得出分布收敛结果MIDA在类似的HD设置，这是适用于IDA和联合IDA估计以及。据我们所知，这是第一个这样的分布收敛的结果，便于推断IDA型估计。这些都是建立在我们的新的理论结果，关于统一的界限线性回归估计在不同的子集HD协变量，这可能是独立的利益。最后，我们经验验证我们的渐近理论MIDA，并通过模拟和实际数据的应用证明其实用性。
2021-07-28 math.ST stat.ME stat.ML
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
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
Distributional Causal Mediation via Conditional Generative Modeling
提出分布因果中介分析框架，通过条件生成模型学习中介变量和结果变量的条件分布，利用蒙特卡洛前向模拟重建干预结果分布，捕捉能量距离和Wasserstein距离等分布对比，并推导误差传播界限。
2026-06-28 cs.LG stat.ML
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
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
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
A Bayesian nonparametric approach to mediation and spillover effects with multiple mediators in cluster-randomized trials
针对多非结构化中介变量集群随机试验的因果推断挑战，提出区分个体自身中介与集群内溢出效应的新估计量，建立识别结果并开发嵌套依赖狄利克雷过程混合先验模型，经模拟验证性能优于参数方法并应用于实际试验。
2025-04-18 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
Nonparametric Bounds in Causal Mediation Analysis in the Presence of Unmeasured Confounding and Imperfect Compliance
针对存在未测量混杂和不依从时因果中介参数不可识别的问题，本文扩展了Sjölander的非参数界方法，推导了随机对照试验中ACME、NDE及依从者子群体局部因果参数的非参数锐界，并通过工作搜索干预研究数据集验证了其实用性。
2025-09-02 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
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
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
Nonparametric estimators of interventional (transported) direct and indirect effects that accommodate multiple mediators and multiple intermediate confounders
中介分析因其能够提高对因果效应的机械驱动因素的理解而具有吸引力，但现实世界的数据复杂性对其成功实施提出了挑战，包括：1）存在也影响中介和结果的暴露后变量（因此，混淆了中介-结果关系），也可能是2）多变量，以及3）存在多变量中介。干预性直接和间接效应（IDE/IIE）包含混淆中介-结局关系的暴露后变量，但目前，不存在IDE/IIE的估计器，该估计器允许多变量中介和多变量暴露后中间混淆因素。这再次代表了现实世界分析的重大限制。我们通过扩展两个最近开发的非参数估计来解决这一差距-一个估计IDE/IIE，另一个估计IDE/IIE传输到一个新的目标人群-同时允许多变量介质和多变量中间混杂因素。我们使用模拟来检查有限样本的性能，并将这些估计量应用于移动到机会试验的纵向数据。在应用程序中，我们走过一个策略，将间接效应分离成中介或中介组特定的间接效应，同时适当地考虑其他可能共同发生的中间变量。
2022-12-15 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
Observational and Interventional Causal Learning for Regret-Minimizing Control
University of Stuttgart（斯图加特大学）
我们探讨如何观察和干预因果发现方法可以结合起来。一个国家的最先进的观测因果发现算法时间序列能够处理潜在的混杂因素和同期的影响，称为LPCMCI，扩展到利润从偶然的约束，通过随机对照试验。数值结果表明，完美的干预约束，重建的结构因果模型（SCM）的扩展LPCMCI允许84.6%的时间为目标变量的最佳预测。干预和观察因果发现的实施是模块化的，允许来自其他来源的因果约束。本论文的第二部分研究同时学习因果模型和通过因果模型规划行动的后悔最小化控制问题。这个想法是，一个优化测量变量的代理首先通过观察因果发现来学习系统的机制。然后，代理人干预最有希望的变量与随机值，允许开发和生成新的干预数据。然后，代理使用介入数据来进一步增强因果模型，允许下一次改进行动。与原始LPCMCI算法相比，扩展的LPCMCI可以是有利的。数值结果表明，检测和使用介入约束导致重建SCM，允许60.9%的时间用于目标变量的最佳预测，而使用原始LPCMCI算法时的基线为53.6%。此外，诱导的平均后悔从使用原始LPCMCI算法时的1.2降低到使用具有介入发现的扩展LPCMCI算法时的1.0。
2022-12-05 cs.AI cs.LG stat.ML
Mediation analysis in longitudinal intervention studies with an ordinal treatment-dependent confounder
University of Turku（图尔库大学）；Finnish Institute for Health and Welfare（芬兰健康与福利研究所）；University of Eastern Finland（芬兰东部大学）；University of Helsinki（赫尔辛基大学）
本文研究了纵向中介变量、时间到事件结局及有序治疗依赖性混杂因素下的中介效应识别问题，提出在单调性假设下通过非参数表达式估计中介效应，并通过芬兰糖尿病预防研究验证了生活方式干预对2型糖尿病预防的中介作用。
2025-05-21 stat.AP
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
Learning causal effects from many randomized experiments using regularized instrumental variables
科学和商业实践越来越多地导致大量的随机实验。这些集合可以告诉我们集合中的单个实验无法告诉我们的事情。我们研究如何从现代数据科学家面临的各种集合中学习变量之间的因果关系：实验数量很大，许多实验的影响非常小，分析师缺乏元数据（例如，干预措施的说明）。在这里，我们使用实验组作为工具变量（IV），并表明，一个标准的方法（两阶段最小二乘法）是有偏见的，即使当实验的数量是无限的。我们展示了稀疏诱导的l0正则化如何--与标准偏差相反--正则化中的方差权衡--减少干预预测的偏差（从而减少误差）。由于我们对干预损失最小化感兴趣，我们还提出了一种修改的交叉验证过程（IVCV）来可行地选择正则化参数。我们表明，使用一个技巧，从蒙特卡罗抽样，IVCV可以使用汇总统计，而不是原始数据。这使得我们的整个过程在许多实际应用中使用起来很简单。
2017-06-01 stat.AP stat.ML
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
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
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
Evaluating Interventional Reasoning Capabilities of Large Language Models
Université de Montréal（蒙特利尔大学）；Mila（米拉计算科学研究所）；Google DeepMind（谷歌DeepMind）；ServiceNow Research（ServiceNow研究院）
本文研究LLMs在因果干预下的推理能力，构建涵盖多种因果图和变量类型的基准，评估六个LLMs，发现GPT模型在预测干预效应方面表现较好。
2024-12-22 cs.AI cs.CL cs.LG
Recanting twins: addressing intermediate confounding in mediation analysis
针对中介分析中中间混杂阻碍自然路径效应识别的问题，提出基于信息传递因果观的“翻供孪生”方法，开发了高效半参数估计器，并应用于合成数据及医疗数据分析。
2024-01-09 stat.ME
Student Log-Data from a Randomized Evaluation of Educational Technology: A Causal Case Study
教育技术的随机评估产生的日志数据作为一个双产品：高粒度的数据，学生和教师的使用。这些数据集可以揭示因果机制，影响异质性或最佳使用。然而，存在方法上的挑战：实施不是随机的，仅针对治疗组定义，日志数据集具有复杂的结构。本文讨论了三种方法来帮助克服这些问题。一种方法使用来自治疗组的数据来估计使用对观察性研究结果的影响。另一种是因果中介分析，估计使用在推动整体效果中的作用。最后，主要分层估计具有相同的“潜在”使用的学生群体的整体效果。我们使用这三种方法分析了认知导师代数I课程评估的提示数据，结果可能相互矛盾：观察性研究和中介分析表明，提示降低后测分数，而主要分层发现，处理效应可能与较高的提示请求率相关。我们讨论这些混合的结论，并给出更广泛的方法建议。
2020-09-09 stat.AP
On relation between separable indirect effect, natural indirect effect, and interventional indirect effect
本文系统比较可分离间接效应、自然间接效应与干预间接效应的因果假设与中介解释可行性，证明SIE在无额外假设或存在中间混杂因素时存在局限，而NIE仍满足中介零准则，并给出新的识别结果与整合分析框架，强调NIE是间接效应最根本的定义。
2025-07-05 stat.ME
An Interventionist Approach to Mediation Analysis
朱迪亚·珀尔的见解是，当假设误差是独立的时，纯（又名自然）直接效应（PDE）通过中介公式非参数化地确定，这在不止一种意义上是“开创性的”！在同一篇论文中，珀尔描述了一种思想实验，作为激发PDE的一种方式。对这个实验的分析使罗宾斯和理查森提出了一种新的方法，即在一个扩展图上将干预措施的直接影响概念化，在这个扩展图中，治疗被分解为多个可分离的组成部分。我们进一步发展这个新的理论在这里，表明它提供了一个独立的框架，讨论调解没有参考跨世界（嵌套）的反事实或干预调解。该理论保留了“没有操纵就没有因果关系”的格言，并使调解问题在未来的随机对照试验中得到经验检验。即便如此，我们证明了干预主义和嵌套的反事实的方法仍然紧密耦合下的非参数结构方程模型，除非在一个“撤回证人的存在。“事实上，我们的分析也导致了一个简单的声音和完整的算法，用于确定特定路径反事实的（非干涉主义）理论中的识别。
2021-08-28 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
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
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
On the Causal Interpretation of Randomized Interventional Indirect Effects
本文考察随机干预间接效应能否被真正解释为中介效应，提出尖锐零准则等性质，并证明在缺乏更强假设时该类效应不满足这些准则，同时讨论其替代因果解释。
2023-09-29 stat.ME
Bounds for causal mediation effects
University of Copenhagen（哥本哈根大学）；Leibniz Institute for Prevention Research and Epidemiology – BIPS（莱布尼茨预防流行病学研究所）；University of Bremen（不来梅大学）
本文研究了因果中介效应的界限，比较了不同框架下的界限，并通过实验数据验证了这些界限的应用。
2025-12-20 stat.ME
High-dimensional Multivariate Mediation: with Application to Neuroimaging Data
中介分析已成为行为科学中的一个重要工具，用于研究随机治疗和结果变量之间的中间变量的作用。中间变量对结果的影响通常使用结构方程模型（SEM）进行探索，模型系数被解释为可能的影响。虽然近年来对这一主题进行了大量的研究，但当中介变量（mediator）是一个高维向量时，中介分析的工作却很少。在这项工作中，我们提出了一种新的方法，探索性的中介分析，在这种情况下称为方向的调解（DM）。第一DM被定义为潜在介质的高维向量的元素的线性组合，其最大化SEM的可能性。随后的DM被定义为高维向量的元素的线性组合，这些元素与先前的DM正交，并使SEM的可能性最大化。我们提供了一个估计算法，并建立所获得的估计量的渐近性质。这种方法非常适合测量许多潜在介质的情况。高维潜在介质的例子是由数十万体素组成的脑图像，在数百万SNP处测量的遗传变异，或大规模流行病学研究中数千个变量的向量。我们演示的方法，使用功能性磁共振成像（fMRI）研究热痛，我们有兴趣确定哪些大脑位置介导的应用程序的热刺激和自我报告的疼痛之间的关系。
2016-09-05 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
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
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
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
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
Causal identification of infectious disease intervention effects in a clustered population
在相互关联的人群中，传染病结局的处理效应的因果鉴定具有挑战性，因为感染结局可能传染给他人，对一个人进行的治疗可能影响其他人的结局。结果的传染性或可传递性使治疗干预的标准概念复杂化，其中向一个人提供的干预可能影响其他人的结果。已经提出了几个统计框架来衡量这种情况下的因果处理效应，包括结构性传播模型，基于中介的伙伴关系模型和随机试验设计。然而，现有的传染病干预效果的被估量是有限的概念上的有用性：一些是结构模型中的参数，其因果解释是不清楚的，其他的是因果关系的影响，只定义在一个有限的两个人的设置，还有一些是非参数被估量，自然出现在随机试验的背景下，但可能无法衡量任何生物学意义的影响。在本文中，我们描述了一个统一的形式主义定义的非参数结构因果被估量和识别策略，用于学习传染病干预的影响，在集群的相互作用的个人时，观察感染时间。被估量概括了现有的数量，并为随机和观察性研究中的因果识别提供了一个框架，包括仅观察到二元感染结果的情况。半参数类的成对Cox型传输风险模型，用于促进统计推断在有限的样本。一项全面的模拟研究比较了各种随机和观察性疫苗试验设计下现有和拟议的被估量。
2021-05-07 stat.AP stat.ME
High Fidelity Image Counterfactuals with Probabilistic Causal Models
Imperial College London（伦敦帝国理工学院）；Microsoft Research Cambridge（微软剑桥研究院）
针对高维图像类结构化变量的反事实与干预查询估计难题，研究结合因果中介分析思路与生成建模进展，提出含新型深度因果机制的通用因果生成建模框架，实验验证其在溯因及各类效应估计上的准确性。
2023-07-18 cs.LG stat.ME
A Potential Outcomes Calculus for Identifying Conditional Path-Specific Effects
do-calculus是一个著名的演绎系统，用于推导干预和观察分布之间的联系，并已被证明是完整的因果推断中的一些重要的可识别性问题。然而，正如目前所定义的，do演算不适用于涉及复杂嵌套反事实的因果问题，这些反事实不能用“do”运算符表示。这些问题包括分析特定路径的影响和动态治疗制度。在本文中，我们提出了潜在结果演算（po演算），这是do演算对任意潜在结果的自然推广。因此，我们提供了一个桥梁识别方法，其起源于人工智能和统计，分别。我们使用po-calculus给出了一个完整的识别算法的条件路径特定的影响与应用程序的问题，在中介分析和算法的公平性。
2019-03-08 stat.ME
Non-agency interventions for causal mediation in the presence of intermediate confounding
针对不可操纵原因及治疗诱导的中介者—结果混杂，提出基于边信息传递的非能动性干预与可识别路径效应，并给出具备√n一致性的高效非参数估计方法。
2023-04-25 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
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
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
Randomized interventional effects in semicompeting risks, with application to a hematopoietic cell transplantation study
Fred Hutchinson Cancer Center（弗雷德·哈钦森癌症中心）；University of Washington（华盛顿大学）；Soochow University（苏州大学）；Southeast University（东南大学）
针对半竞争风险数据，提出基于随机干预的因果效应分解方法，通过非参数极大似然估计和敏感性分析评估中间事件对终末事件的中介效应。
2026-05-19 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
Comparison between instrumental variable and mediation-based methods for reconstructing causal gene networks in yeast
因果基因网络模拟了细胞内的信息流，但从组学数据重建它们是具有挑战性的，因为相关性并不意味着因果关系。组合来自分离群体的基因组学和转录组学数据允许使用基因组变体来定向基因表达性状之间的因果关系的方向。工具变量方法（IV）使用局部表达数量性状基因座（eQTL）作为基因表达水平的随机化工具，并基于远端eQTL关联分配靶基因。基于介导的方法（ME）还要求远端eQTL关联由源基因介导。在这里，我们使用Findr，一个软件，提供统一的实现IV，ME，和共表达为基础的方法，最近的数据集1,012分离从两个芽殖酵母菌株之间的交叉，和YEASTRACT数据库的已知转录相互作用比较因果基因网络推理方法。我们发现，因果推理方法导致与地面真相的显着重叠，而coexpression并不比随机表现得更好。二次抽样分析表明，ME的性能下降，在大样本量，由于剩余相关性变得显着时的灵敏度损失。由于eQTL仪器之间的基因组连锁，IV方法包含假阳性预测。IV和ME方法也具有互补的作用，用于鉴定转录热点的致病基因。IV方法正确地预测了以转录因子STB 5为中心的热点的STB 5靶标，而ME由于Stb 5 p自动调节其自身的表达而失败。ME提出了一个新的候选基因，DNM 1，在Chr XII的热点，其中IV方法不能区分位于热点内的多个基因。
2020-11-18 q-bio.GN q-bio.MN stat.AP
