RAPSEM: Identifying Latent Mediators Without Sequential Ignorability via a Rank-Preserving Structural Equation Model
RAPSEM：无需序贯可忽略性的秩保持结构方程模型潜在中介识别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：摘要直接研究潜在中介的因果识别，并以结构方程、G 估计和工具变量估计参数，因此选择因果推断与结构估计方向。
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…
RAPSEM：无需序贯可忽略性的秩保持结构方程模型潜在中介识别
- 研究问题
- 存在未观测中介—结局混杂时，能否利用随机治疗及治疗响应异质性识别潜在中介效应，同时修正因子得分的测量问题？
- 方法与思路
- 作者结合秩保持结构方程、G 估计与两阶段矩方法，用治疗—协变量交互形成工具，并以无未观测效应修饰假设替代相关混杂限制。
- 材料陈述的贡献
- 摘要称，该方法实现潜在中介识别并建立一致性和渐近正态性，模拟中在未观测混杂下保持无偏，另提供软件与教育研究示例。
- 阅读关注点
- 应核对秩保持和效应修饰限制、交互工具对结局的排除限制及强度，并区分可检验含义与无法由数据完全验证的假设。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要中的无偏和功效陈述来自所设模拟，不能保证识别限制在应用中成立。
原文摘要
Standard structural equation models (SEMs) are often used to identify latent mediators. However, valid inference typically relies on the strong, frequently violated Sequential Ignorability assumption. We introduce the Rank-Preserving Structural Equation Model (RAPSEM), which increases robustness through G-estimation while maintaining the measurement model's integrity through a two-stage method of moments (2SMM) for factor score corrections. RAPSEM replaces the no unmeasured mediator-outcome confounding with the weaker no unobserved effect modification assumption. By leveraging treatment randomization, RAPSEM achieves identification in a manner equivalent to instrumental variable estimation through structurally emerging instruments. Specifically, identification relies on treatment-covariate interactions that influence the mediator but have no direct effect on the outcome, allowing researchers to utilize natural heterogeneity in treatment response as a testable source of identification. We provide a robustness assessment for the core identifying assumption and establish the consistency and asymptotic normality of the resulting estimator. Simulation studies demonstrate that RAPSEM remains unbiased under unobserved confounding, whereas standard SEM yields biased results. RAPSEM achieves reasonable power for sample sizes above 500, depending on the strength of the structural instruments. The method is implemented in the accompanying rapsem R package, and its practical utility is illustrated through an empirical example from educational research. The code is available at https://github.com/PsychometricsMZ/RAPSEM.