Identification and multiply robust estimation in causal mediation analysis across principal strata
主分层因果中介分析的识别与多重稳健估计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：摘要明确研究处理后事件下的自然中介效应、主分层识别及稳健推断，直接属于因果推断。
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…
关注这篇论文的作者
主分层因果中介分析的识别与多重稳健估计
- 研究问题
- 存在不依从、临床事件或死亡等处理后事件时，如何识别总体及各主分层的自然中介效应，并获得稳健且有效的推断？
- 方法与思路
- 作者推导各中介目标量的有效影响函数，构造多重稳健估计量及使用机器学习的非参数有效估计量，并讨论识别敏感性方法。
- 材料陈述的贡献
- 摘要称估计量在四类错设情形下保持一致，辅助模型均正确时有效；另以模拟和两个真实数据例子展示所提方法。
- 阅读关注点
- 应核对自然效应与主分层的定义、关键识别假设、四类错设的具体组合，以及机器学习估计实现有效推断所需的条件。
- 阅读边界
- 仅依据所给Crossref摘要。摘要未列明识别假设、四类错设组合或机器学习收敛条件，多重稳健不表示任意模型错设均可一致。
原文摘要
Abstract We consider assessing causal mediation in the presence of a posttreatment event (examples include noncompliance, a clinical event, or death). We identify natural mediation effects for the entire study population and for each principal stratum characterized by the joint potential values of the posttreatment event. We derive the efficient influence function for each mediation estimand, which motivates a set of multiply robust estimators for inference. The multiply robust estimators are consistent under four types of misspecifications and are efficient when all nuisance models are correctly specified. We also develop a nonparametric efficient estimator that leverages data-adaptive machine learners to achieve efficient inference and discuss sensitivity methods to address key identification assumptions. We illustrate our methods via simulations and two real data examples.