A Unified Framework for Nonlinear Mediation Analysis of Random Objects
随机对象非线性中介分析的统一框架AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究中介路径、直接与间接因果效应及其非参数识别。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
随机对象非线性中介分析的统一框架
- 研究问题
- 当暴露、中介和结果均为分布、组成或图像等非欧氏对象时，如何识别并估计其非线性直接与间接因果作用？
- 方法与思路
- 作者提出随机对象中介分析框架，在一般度量空间中使用可加再生核希尔伯特空间算子模型，分解直接与间接路径。
- 材料陈述的贡献
- 摘要称，该框架给出因果效应的非参数识别及估计量的全局渐近正态性，并支持无需重抽样的同时置信带与全局检验。
- 阅读关注点
- 应核对中介效应的具体定义、非参数识别假设、对象空间与核函数条件，以及同时置信带和全局检验的适用范围。
- 阅读边界
- 这是预印本，不能据此认定已同行评审或接收。摘要未说明识别条件与计算细节，统一框架的实际覆盖范围仍需全文核对。
原文摘要
Mediation analysis for complex, non-Euclidean data, such as probability distributions, compositions, images, and networks, presents significant methodological challenges due to the inherent nonlinearity and geometric constraints of such spaces. Existing approaches are often restricted to Euclidean settings or specific data types. We propose Random Object Mediation Analysis (ROMA), a unified framework that simultaneously accommodates object-valued exposures, mediators, and outcomes, enabling the analysis of nonlinear causal pathways in general metric spaces. ROMA leverages an additive Reproducing Kernel Hilbert Space (RKHS) operator model to rigorously disentangle direct and indirect causal pathways, which is a significant advancement over existing single-predictor or purely predictive additive frameworks. Theoretically, we establish the nonparametric identification of causal effects and derive global asymptotic normality for our estimators. Crucially, this theoretical foundation enables the construction of simultaneous confidence bands and global test statistics without the need for computationally intensive resampling. We demonstrate the practical utility of ROMA through simulations and real-world applications involving compositional mediators and distributional outcomes, extending the scope of mediation analysis.