Cumulative Natural Direct and Indirect Effects for Causal Mediation Analysis
因果中介分析中的累积自然直接效应与间接效应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：摘要研究因果中介分析中直接效应与间接效应的定义、分解和识别。
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
因果中介分析中的累积自然直接效应与间接效应
- 研究问题
- 自然直接与间接效应在处理水平反向比较和跨区间累加时可能产生解释问题，如何构造同时满足反对称性与可加性的分解？
- 方法与思路
- 作者先将连续处理的局部因果效应分解为局部直接与间接效应，再构造累积效应，并为有序处理定义保持相应性质的离散版本。
- 材料陈述的贡献
- 摘要称，累积自然直接与间接效应能够保持反对称性和可加性，并在标准因果假设下获得分解与识别结果及模型、数据示例。
- 阅读关注点
- 应核对累积效应的积分或离散定义、识别所需的具体因果假设，以及存在交互项时新旧效应解释差异和目标量选择。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未展开所谓标准因果假设，结构性质成立也不能直接说明经验识别条件满足。
原文摘要
Causal mediation analysis provides a fundamental framework for quantifying the contributions of different pathways from a treatment $X$ to an outcome $Y$ through a mediator. The natural direct and indirect effects (NDE and NIE) are widely used to decompose the total effect. In this paper, we observe that NDE and NIE can give rise to paradoxical interpretations due to their failure to satisfy two desirable properties of interpretable causal effects: skew-symmetry and additivity. To address these limitations, we introduce new measures of direct and indirect effects for continuous treatments, termed the cumulative natural direct and indirect effects (CNDE and CNIE), constructed by decomposing local causal effects $\mathbb{E}[\partial_xY_{x}]$ into local direct and indirect effects. CNDE and CNIE yield a decomposition of the total effect that preserves both skew-symmetry and additivity. We further extend this framework to ordinal treatments by defining discrete analogues of the cumulative effects over ordered treatment levels that preserve these structural properties. We establish decomposition and identification results for the proposed measures under standard causal assumptions. We illustrate their behavior, in comparison with NDE and NIE, using canonical linear mediation models with interaction and a real-world dataset.