Identification and estimation of causal mechanisms in cluster-randomized trials with post-treatment confounding using Bayesian nonparametrics
处理后混杂下集群随机试验因果机制的贝叶斯非参数识别与估计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。
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：摘要直接研究集群随机试验的因果中介机制，并明确纳入干扰，因此对应因果推断以及网络与干扰方向。
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…
处理后混杂下集群随机试验因果机制的贝叶斯非参数识别与估计
- 研究问题
- 集群随机试验同时存在干扰、先于中介的处理后混杂及层级协变量时，如何识别和估计干预影响个体结果的中介机制？
- 方法与思路
- 作者以多变量高斯 Copula 和单一依赖参数处理跨世界依赖，结合嵌套共享原子富集 Dirichlet 过程进行估计与敏感性分析。
- 材料陈述的贡献
- 摘要称框架兼容干扰和处理后混杂，并推导先验分布、部分可交换分区及截断后验推断的收敛性质，另有模拟和试验重分析。
- 阅读关注点
- 核对中介效应定义、干扰范围、Copula 识别限制和敏感性参数解释，以及共享原子结构与截断近似的理论条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审和期刊接收均未核实；摘要未完整说明识别条件，单一敏感性参数也不能自动涵盖全部混杂偏差。
原文摘要
Causal mediation analysis in cluster-randomized trials (CRTs) is essential for explaining how cluster-level interventions affect individual outcomes, yet it is complicated by interference, post-treatment confounding, and hierarchical covariate adjustment. We develop a Bayesian nonparametric framework that simultaneously accommodates interference and a post-treatment confounder that precedes the mediator. Identification is achieved through a multivariate Gaussian copula that replaces cross-world independence with a single dependence parameter, yielding a built-in sensitivity analysis to residual post-treatment confounding. For estimation, we introduce a nested common atoms enriched Dirichlet process (CA-EDP) prior that integrates the Common Atoms Model (CAM) to share information across clusters while capturing between- and within-cluster heterogeneity, and an Enriched Dirichlet Process (EDP) structure delivering robust covariate adjustment without impacting the outcome model. We provide formal theoretical support for our prior by deriving the model's key distributional properties, including its partially exchangeable partition structure, and by establishing convergence guarantees for the practical truncation-based posterior inference strategy. We demonstrate the performance of the proposed methods in simulations and provide further illustration through a reanalysis of a completed CRT.