Optimal tests of the composite null hypothesis arising in mediation analysis
中介分析中复合零假设的最优检验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：摘要明确针对因果中介分析的间接效应及无中介效应复合零假设提出检验方法。
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
中介分析中复合零假设的最优检验
- 研究问题
- 间接效应由两个回归系数乘积表示时，无中介效应对应任一系数为零；如何改善两系数都较小时传统检验功效不足的问题？
- 方法与思路
- 作者提出控制第一类错误的检验，包括局部功效意义下极小极大最优的闭式方案，以及用稀疏线性规划近似优化贝叶斯风险的方案。
- 材料陈述的贡献
- 摘要称，新检验改善两个效应都较小时的功效，并保留至少一个效应不小时的功效；同时讨论大规模检验、可解释性调整和 R 包实现。
- 阅读关注点
- 应核对乘积表示的因果与回归假设、复合零假设下水平控制范围、局部最优性的准则，以及近似优化和多重检验调整的影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未完整说明检验成立的分布条件，最优性限于特定准则，不能解除中介识别假设。
原文摘要
The indirect effect of an exposure on an outcome through an intermediate variable can be identified by a product of two regression coefficients under certain causal and regression modeling assumptions. In this context, the null hypothesis of no indirect effect is a composite null hypothesis, as the null holds if either regression coefficient is zero. A consequence is that traditional hypothesis tests are severely underpowered near the origin (i.e., when both coefficients are small with respect to standard errors). We propose hypothesis tests that (i) preserve level alpha type 1 error, (ii) meaningfully improve power when both true underlying effects are small relative to sample size, and (iii) preserve power when at least one is not. One approach gives a closed-form test that is minimax optimal with respect to local power over the alternative parameter space. Another uses sparse linear programming to produce an approximately optimal test for a Bayes risk criterion. We discuss adaptations for performing large-scale hypothesis testing as well as modifications that yield improved interpretability. We provide an R package that implements our proposed methodology.