The Finite Sample Performance of Estimators for Mediation Analysis Under Sequential Conditional Independence
序贯条件独立下中介效应估计量的有限样本表现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。
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：摘要明确讨论中介分析中的自然直接和间接因果效应，并在序贯条件独立假设下比较估计方法，故归入因果推断。
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…
序贯条件独立下中介效应估计量的有限样本表现
- 研究问题
- 在序贯条件独立假设下，回归、加权及其组合如何估计自然直接和间接效应，其有限样本误差怎样随数据生成过程变化？
- 方法与思路
- 作者以瑞士求职者的大规模总体为基础构建模拟，比较参数与半参数估计量，并改变数据生成过程及估计实现中具有实践意义的设定。
- 材料陈述的贡献
- 摘要称，没有估计量在所有模拟中均方根误差最小，g-computation 总体占优；方法间差异及相对表现随设定变化。
- 阅读关注点
- 应核对序贯条件独立的具体表述、经验数据如何用于构建模拟，以及各估计量的实现、调参和误差比较是否具有可比性。
- 阅读边界
- 摘要未列出完整识别条件、模拟设定及误差结果；总体占优仅是作者对所考察情形的概括，不能推出普遍优越性或实际应用中假设成立。
原文摘要
Using a comprehensive simulation study based on empirical data, this article investigates the finite sample properties of different classes of parametric and semiparametric estimators of (natural) direct and indirect causal effects used in mediation analysis under sequential conditional independence assumptions. The estimators are based on regression, inverse probability weighting, and combinations thereof. Our simulation design uses a large population of Swiss jobseekers and considers variations of several features of the data-generating process (DGP) and the implementation of the estimators that are of practical relevance. We find that no estimator performs uniformly best (in terms of root mean squared error) in all simulations. Overall, so-called “g-computation” dominates. However, differences between estimators are often (but not always) minor in the various setups and the relative performance of the methods often (but not always) varies with the features of the DGP.