Causal mediation in cluster-randomized trials with multiple mediators: spillover-aware decomposition, identification, and semiparametric efficient inference
多中介整群随机试验的因果中介分析：溢出分解、识别与有效推断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：摘要同时研究因果中介分解与群内干扰、溢出效应，直接对应因果推断和网络与干扰。
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
多中介整群随机试验的因果中介分析：溢出分解、识别与有效推断
- 研究问题
- 整群随机试验同时存在多个中介、群内相关与干扰时，如何分解中介及溢出路径，并构造有效的因果推断？
- 方法与思路
- 作者定义中介、溢出及交互效应，推导识别条件和有效影响函数，构建一步与去偏机器学习估计，并用椭圆 copula 建模。
- 材料陈述的贡献
- 摘要称，框架允许任意数量及未知因果结构的中介，给出点识别与半参数推断方法，并以模拟和 PPACT 试验展示应用。
- 阅读关注点
- 应核对各效应定义、群内干扰限制及未知中介结构下的识别假设，以及 copula 模型设定和群级推断的要求。
- 阅读边界
- 所据为 arXiv 预印本，同行评审或期刊接收未核实；摘要未列出完整因果假设，也未说明模型误设时的有效性边界。
原文摘要
Causal mediation analysis in cluster-randomized trials (CRTs) is complicated by the presence of multiple mediators, intracluster correlation, and within-cluster interference. Existing mediation methods often fall short in accommodating these features simultaneously, and semiparametric efficient estimators that fully address them remain unavailable. We develop a unified framework that defines a class of mediation effect estimands, including exit indirect effects, exit spillover mediation effects, and their interaction effects, to investigate causal mechanisms in CRTs with an arbitrary number of mediators under an unknown causal structure. We introduce a set of interpretable causal assumptions for point identification of each estimand. For optimal inference, we first derive the efficient influence functions for the proposed estimands and construct corresponding one-step and debiased machine learning estimators. In particular, to flexibly model the joint mediator density, we employ an elliptical copula marginal regression model that combines a nonparametric marginal regression with an interpretable association structure. We assess the finite-sample performance of the proposed estimators through simulation studies and illustrate the methodology by reanalyzing the PPACT CRT data with three causally unordered mediators.