Easy-to-Implement Two-Way Effect Decomposition for Any Outcome Variable with Endogenous Mediator
内生中介下适用于任意结果变量的简便直接与间接效应分解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：摘要直接讨论内生中介、工具变量以及直接与间接因果效应的识别和估计。
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
内生中介下适用于任意结果变量的简便直接与间接效应分解
- 研究问题
- 当处理外生而二元中介内生时，如何借助二元工具变量，将处理对不同类型结果变量的总效应分解为直接与间接效应？
- 方法与思路
- 作者推导以处理、工具变量及交互项，或处理、中介及交互项为回归量的非参数因果简约式，通过 OLS 或 IV 估计。
- 材料陈述的贡献
- 摘要称该表示简化了直接与间接效应估计，可用于二元、计数和连续结果，并通过模拟与实证展示实施方式。
- 阅读关注点
- 应核对工具变量的有效性条件、交互项的识别作用、效应对应的人群，以及 OLS 与 IV 分别适用的情形。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未列明完整识别条件和渐近结果，结果类型广泛不代表假设宽松。
原文摘要
Given a binary treatment D and a binary mediator M, mediation analysis decomposes the total effect of D on an outcome Y into the direct and indirect effects. Typically, both D and M are assumed to be exogenous, but this paper allows M to be endogenous while maintaining the exogeneity of D, which holds certainly if D is randomized. The endogeneity problem of M is then overcome using a binary instrumental variable Z. We derive a nonparametric "causal reduced form (CRF)" for Y with either (D,Z,DZ) or (D,M,DZ) as the regressors. The CRF enables estimating the direct and indirect effects easily with ordinary least squares or instrumental variable estimator, instead of matching or inverse probability weighting that have difficulties in finding the asymptotic distribution or in dealing with near-zero denominators. Not just this ease in implementation, our approach is applicable to any Y (binary, count, continuous, etc.). Simulation and empirical studies illustrate our approach.