Quadruply robust methods for causal mediation analysis
因果中介分析的四重稳健方法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：摘要明确以因果中介分析的自然效应识别与稳健估计为研究对象，因此归入因果推断。
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
因果中介分析的四重稳健方法
- 研究问题
- 估计因果中介分析中的自然效应时，如何扩大允许部分模型误设的有效模型组合，并处理协变量与中介变量均高维的情形？
- 方法与思路
- 作者提出四重稳健框架，分别构造支持机器学习干扰估计的非参数估计量，以及面向高维数据的参数化模型四重稳健估计量。
- 材料陈述的贡献
- 摘要称新框架扩大了可无偏识别的模型类，高维方法旨在限制模型误设影响，并通过模拟及真实数据应用展示有限样本表现。
- 阅读关注点
- 应核对自然效应的识别假设、四重稳健对应的具体模型组合，以及机器学习收敛条件、高维约束和推断有效性要求。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未列明模型组合和识别条件，四重稳健不能理解为任意四个模型均可误设。
原文摘要
Estimating natural effects is a core task in causal mediation analysis. Existing triply robust (TR) frameworks (Tchetgen Tchetgen & Shpitser 2012) and their extensions have been developed to estimate the natural effects. In this work, we introduce a new quadruply robust (QR) framework that enlarges the model class for unbiased identification. We study two modeling strategies. The first is a nonparametric modeling approach, under which we propose a general QR estimator that supports the use of machine learning methods for nuisance estimation. We also study high-dimensional settings, where the dimensions of covariates and mediators may both be large. In these settings, we adopt a parametric modeling strategy and develop a model quadruply robust (MQR) estimator to limit the impact of model misspecification. Simulation studies and a real data application demonstrate the finite-sample performance of the proposed methods.