Functional Causal Mediation Analysis With an Application to Brain Connectivity
函数型因果中介分析及脑连接应用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：摘要明确讨论因果中介效应识别、随机处理及工具变量估量的因果解释。
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
函数型因果中介分析及脑连接应用
- 研究问题
- 当中介变量是一条连续函数而非单个标量时，如何识别其平均因果效应，并刻画中介作用随时间变化的信息？
- 方法与思路
- 作者将结构方程模型扩展到函数型数据，给出平均因果中介效应识别的充分条件，并讨论较弱条件下工具变量估量的解释。
- 材料陈述的贡献
- 摘要称方法用于热痛觉fMRI研究，提供常规非函数型方法难以呈现的中介效应时序信息，并自述为该框架的首次因果应用。
- 阅读关注点
- 应核对函数型中介效应的定义与识别条件，区分结构方程系数和工具变量估量的解释，并检查应用中的条件是否可信。
- 阅读边界
- 材料为版本未注明的 OpenAlex 索引摘要；未列出识别条件或效应数值，随机处理本身不足以确认中介识别，首次应用属作者陈述。
原文摘要
Mediation analysis is often used in the behavioral sciences to investigate the role of intermediate variables that lie on the causal path between a randomized treatment and an outcome variable. Typically, mediation is assessed using structural equation models (SEMs), with model coefficients interpreted as causal effects. In this article, we present an extension of SEMs to the functional data analysis (FDA) setting that allows the mediating variable to be a continuous function rather than a single scalar measure, thus providing the opportunity to study the functional effects of the mediator on the outcome. We provide sufficient conditions for identifying the average causal effects of the functional mediators using the extended SEM, as well as weaker conditions under which an instrumental variable estimand may be interpreted as an effect. The method is applied to data from a functional magnetic resonance imaging (fMRI) study of thermal pain that sought to determine whether activation in certain brain regions mediated the effect of applied temperature on self-reported pain. Our approach provides valuable information about the timing of the mediating effect that is not readily available when using the standard nonfunctional approach. To the best of our knowledge, this work provides the first application of causal inference to the FDA framework.