Mediation analysis with case-control sampling: Identification and estimation in the presence of a binary mediator
本文针对二元中介变量和二元结局的分层病例对照数据，推导了抽样设计对逻辑回归参数的扭曲表达式，提出基于M估计和最大似然的识别与估计方法，并通过模拟和德国李斯特菌病数据验证其效率优于加权方法。
2022-11-17 stat.ME
Bayesian Quantile Regression for Misclassified Binary Data with an Application to Spousal Violence Reporting
Baylor University（贝勒大学）；Indian Institute of Technology Kanpur（坎普尔印度理工学院）
本文提出一种贝叶斯分位数回归框架，用于处理二元误分类数据，通过引入潜在真实响应和显式建模假阴性和假阳性报告误差，改进了对敏感二元结果的推断。
2026-09-25 stat.ME
Sharp nonparametric bounds for decomposition effects with two binary mediators
在随机试验中，一旦估计了干预的总效果，通常有兴趣通过随机治疗和结果之间的因果通路探索介导物的机制效应。在有两个顺序中介的情况下，总风险差异有多种分解方式转化为中介效应。我们得出尖锐的和有效的边界设置两个连续的调解员都与不可测量的混杂结果的调解效果。我们在正文中提供了五个这样的界限，对应于总效应的两种不同分解，以及受控的直接效应，在补充材料中提供了另外三十个新的界限，对应于二十四个四向分解的条款。我们还表明，虽然它似乎可以通过添加或减去分解项的锐界的限制来产生锐界，但这几乎总是产生有效的，但不是锐界，甚至可以是完全无信息的。我们调查的属性的边界模拟随机概率分布在我们的因果模型，并说明他们是如何解释在一个真实的数据例子。
2021-12-27 stat.ME
Easy-to-Implement Two-Way Effect Decomposition for Any Outcome Variable with Endogenous Mediator
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
Addressing both variable selection and misclassified responses with parametric and semiparametric methods
University of Western Ontario（韦仕敦大学）
本文探讨了在存在响应测量误差的情况下变量选择问题，提出有效的变量选择方法，并通过数值研究验证了方法的有效性。
2026-03-13 stat.ME
Exact mediation analysis for ordinal outcome and binary mediator
参考一个单一的调解人的情况下，这份简短的报告提出了一个基于模型的策略，估计反事实的直接和间接的影响时，响应变量是序数和调解人是二进制的。假设一个逻辑斯谛回归模型的调解人和累积logit模型的结果，确切的参数制定的因果关系的影响，从而扩展以前的工作，只包含近似的结果。的识别条件是等同于那些已经建立在文献中。可以通过使用标准统计软件来估计效应，并且可以通过自举算法来计算标准误。为了使该方法易于访问，附录中提供了在R中实现该建议的例程。一个自然的效果模型与假设的数据产生机制也来自。
2022-10-24 math.ST stat.ME stat.TH
A Framework for Mediation Analysis with Multiple Exposures, Multivariate Mediators, and Non-Linear Response Models
中介分析旨在识别和量化风险暴露影响结果的路径。受暴露影响并影响结果的中间变量被称为介质。有大量的中介分析的背景下，一个单一的调解人和连续的和二元的结果模型的工作。然而，这些方法通常不适用于多组学数据，包括高度相互关联的变量测量生物机制和各种类型的结果变量，如删失生存反应。在这篇文章中，我们开发了一个通用的框架，因果中介分析与多重暴露，多变量介质，连续，二元和生存反应。我们估计中介效应的几个尺度，包括平均差异，比值比，并限制平均尺度为各种结果模型。我们的估计方法避免了对模型参数施加限制，如罕见疾病假设，同时适应连续暴露。我们评估的框架，并比较它与其他方法在广泛的模拟研究中，通过评估偏见，第一类错误和权力在一系列的样本量，疾病患病率，和数量的假介质。使用来自癌症基因组图谱的肾透明细胞癌数据，我们鉴定了介导代谢基因表达对生存的影响的蛋白质。用于实现该统一框架的软件在R包中提供（https：//github.com/longjp/mediateR）。
2020-11-11 stat.ME
Efficiently transporting causal (in)direct effects to new populations under intermediate confounding and with multiple mediators
同样的干预措施在不同的地点会产生不同的效果。运输中介估计可以估计在何种程度上可以解释这种差异的组成因素和机制的差异，其中调解或中间变量的产生，但是，他们仅限于考虑一个单一的，二元调解人。我们提出了新的非参数估计运输随机（中）直接影响，考虑多个，高维介质和中间变量。它们是多重鲁棒的，有效的，渐近正态的，并可以将数据自适应估计的滋扰参数。它们可用于了解各研究中心之间处理效应的差异和/或基于源研究中心的结局数据预测靶部位的处理效应。
2020-06-13 stat.ME
Path Analysis for Binary Random Variables
针对二元随机变量递归系统，本文提出对数优势比尺度下总效应分解为直接、间接效应与残差项的方法，扩展至多中介场景并关联反事实定义，通过佛罗伦萨学生博物馆参观态度数据验证了方法有效性。
2021-04-28 stat.ME
Linking Potentially Misclassified Healthy Food Access to Diabetes Prevalence
本研究提出一种新的最大似然估计器，用于纠正泊松回归中二元误分类暴露（健康食品获取）带来的偏差并处理缺失数据，模拟和实际数据应用验证了其有效性。
2025-10-16 stat.ME
Path-specific causal decomposition analysis with multiple correlated mediator variables
本文提出可处理多个相关、交互且混合型中介变量的因果分解方法，给出联合与路径特异性效应识别假设，并通过模拟和全国队列数据验证其偏差与置信区间优势。
2023-08-14 stat.ME
Integrating Misclassified EHR Outcomes with Validated Outcomes from a Non-probability Sample
提出新型估计量整合存在测量误差的EHR数据与非概率验证样本的金标准结果，以纠正选择偏差并降低平均处理效应估计的偏差，提升推断效率。
2025-03-03 stat.ME
Causal Mediation Analysis for Zero-inflated Mixture Mediators
本文针对零膨胀混合中介变量提出基于有限混合分布的因果中介建模方法，推导两部分中介效应，并通过EM算法估计和模拟及神经科学应用验证其优于标准方法。
2025-07-21 stat.ME
Estimating Program Participation with Partial Validation
本文提出了一种利用部分验证数据克服二元选择模型中误分类偏差的方法，并通过实证分析展示了其在健康保险覆盖率研究中的应用。
2025-12-16 econ.EM stat.ME
Path-Free Decomposition for Direct, Indirect and Interaction Effects in Mediation Analysis
给定一个二元处理和一个二元中介，中介分析将处理对结果变量的总效应分解为直接效应和间接效应。然而，现有的分解是“路径依赖”的，因此，出现了不同版本的直接和间接的影响。从这些，本文提出了一个“无路径”的总效应分解为三个子效应：直接，间接和治疗-中介相互作用的影响。而相互作用的影响已经在现有的两个效果分解的间接影响的一部分，它是单独确定在我们的三个效果分解。所有效应均使用条件平均值（而非条件密度）找到，并使用普通最小二乘估计量进行估计。并进行了仿真和实证分析。
2021-10-13 stat.ME
Mediated probabilities of causation
本文提出“因果中介概率”估计量，量化负面结果通过中介路径或直接路径诱导的概率，给出识别条件与双重稳健投影估计策略，在法律和医学因果归因场景中比因果概率更具相关性。
2025-02-13 stat.ME
Causal Inference with Multiple Misclassified Exposures: A Control Variate-Adjusted Calibration Weighting Approach
Colorado School of Public Health（科罗拉多公共卫生学院）；Johns Hopkins Bloomberg School of Public Health（约翰斯·霍普金斯大学彭博公共卫生学院）；University of Colorado School of Medicine（科罗拉多大学医学院）；Colorado State University（科罗拉多州立大学）
针对多重错误分类二元暴露和聚类观测数据，提出校准加权与控制变量调整的因果推断方法，实现一致估计并降低方差，应用于囊性纤维化患者队列发现咽拭子低估铜绿假单胞菌感染效应。
2026-07-28 stat.AP stat.ME
Interval identification of natural effects in the presence of outcome-related unmeasured confounding
University of Florence（佛罗伦萨大学）；University of Perugia（佩鲁贾大学）
本文在不假设结果混杂的情况下，推导了自然效应的识别界限，通过部分常数跨世界依赖性假设，提出了半参数方法以识别总效应区间。
2024-05-22 stat.ME
Estimating the average treatment effect in cluster-randomized trials with misclassified outcomes and non-random validation subsets
针对整群随机试验中结果误分类和非随机验证子集导致的因果推断偏倚问题，提出一种ATE估计方法，通过处理金/银标准结果关系及整群稳健设计，在模拟中验证有效性并支持ASPIRE试验应用。
2025-08-26 stat.ME
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
On Partial Identification of the Pure Direct Effect
在因果中介分析中，纯（自然）直接效应的非参数识别通常依赖于（i）所谓的“跨世界反事实”独立性和（ii）无暴露诱导的混杂的基本假设，以及没有未观察到的暴露前混杂。当调解人是二进制的，边界部分识别时，既没有假设，或者假设只有（ii）。我们扩展现有的界限的情况下，一个polytomous调解人，并提供界限的情况下，只假设（i）。我们将这些界限应用于尼日利亚的哈佛PEPFAR项目的数据，在那里我们评估了抗逆转录病毒治疗对病毒学失败的影响在多大程度上是由患者的依从性介导的，并表明对这种影响的推断对模型假设有些敏感。
2015-09-05 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
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
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
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
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
On the Testing of complete causal mediation and its applications
本文研究完全中介检验（CMT）的理论性质，提出以标准化中介绝对比例（SAPM）作为新标准，并通过模拟和孟德尔随机化应用证明其优于传统方法，同时给出针对连续或二分类变量的最优阈值建议。
2025-07-18 stat.AP stat.ME
