Nonparametric heterogeneous causal mediation with orthogonal machine learning
基于正交机器学习的非参数异质性因果中介分析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：摘要明确以干预的直接与间接因果路径为对象，并估计条件异质性中介效应，直接属于因果推断方法。
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…
基于正交机器学习的非参数异质性因果中介分析
- 研究问题
- 干预经由中介变量传递的效应如何随个体特征变化？作者希望突破总体平均中介效应，估计条件于个体特征的异质性效应。
- 方法与思路
- 作者从影响函数构造加权 Neyman 正交损失，以两阶段元学习和正则化线性筛估计，并结合目标学习处理不稳定的中介密度比。
- 材料陈述的贡献
- 摘要称建立了二次均方与一致极限理论及逐点、同时置信带，并报告模拟误差下降和三个应用中的异质性中介效应。
- 阅读关注点
- 应核对中介效应的识别条件、密度比与重叠要求、辅助函数误差条件，以及置信带有效性和模拟比较是否使用一致目标。
- 阅读边界
- 所给版本为预印本，不能据此确认同行评审或期刊接收；摘要未列识别假设，所报模拟改善不能外推为普遍优势。
原文摘要
Causal mediation analysis decomposes the total effect of an intervention on an outcome into a direct pathway and an indirect pathway transmitted through a mediator, but standard methods typically summarize these pathways using population average effects. In many applications, however, the indirect effect may vary substantially across individual profiles. We propose an orthogonal statistical learning framework for estimating heterogeneous causal mediation effects conditional on individual characteristics. The method constructs a class of weighted Neyman orthogonal losses motivated by influence function representations of weighted population average effects. These losses directly target conditional mediation estimands whose minimizers are locally insensitive to nuisance estimation errors. We implement the resulting learners under a two-stage meta-learning framework with regularized linear sieves as second-stage smoothers, and introduce a combination of targeted learning and orthogonal learning designed to improve stability when mediator density ratios are unstable. We establish $L^2$ and uniform limit theory and develop pointwise and uniform confidence bands. Simulation studies show that the proposed orthogonal learners reduce the mean integrated squared error by more than $50\%$ compared with existing model-based methods and provide computationally efficient inference in nonlinear settings. The CARDIA, PSACR, and STAR analyses reveal heterogeneous mediated effects across cardiometabolic, psychological, and educational settings.