Sensitivity analysis for causal mediation: bridge score, sharp sensitivity bounds, and calibration
因果中介敏感性分析：桥接得分、尖锐敏感性界限与校准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：摘要明确研究自然直接与间接效应的识别，以及中介结果混杂下的敏感性分析，直接属于因果推断。
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
因果中介敏感性分析：桥接得分、尖锐敏感性界限与校准
- 研究问题
- 自然直接与间接效应依赖不可验证的中介阶段可忽略性时，如何刻画未观测中介结果混杂，并开展可操作的敏感性分析？
- 方法与思路
- 作者用两种处理状态下的中介密度构造桥接得分，推导逐点方差包络，并结合残差预算校准和贝叶斯 g-computation。
- 材料陈述的贡献
- 摘要称，桥接得分平衡相关基线协变量，并给出尖锐逐点界限；推断区分观察数据后验不确定性与用户指定的敏感性不确定性。
- 阅读关注点
- 应核对得分的平衡条件、界限尖锐性的含义和支持限制，以及残差预算如何校准、敏感性参数如何传导至效应推断。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未列出完整条件，未识别的敏感性修正不能视为由数据学得。
原文摘要
Causal mediation analysis decomposes the total treatment effect into a portion operating through a hypothesized mediator and a residual direct portion. Identification of natural direct and indirect effects typically rests on the mediator stage of sequential ignorability, which cannot be empirically verified and requires explicit sensitivity analysis. We formulate the \emph{bridge score}, a mediator-stage balancing score, as a low-dimensional vector formed from the two treatment-specific mediator densities at a common mediator value, and show that it balances baseline covariates for the mediator stage relevant to natural effect identification. Conditional on the bridge score, we derive a sharp pointwise variance envelope on the unidentified mediator-outcome confounding function in terms of latent outcome relevance and residual selection. To make the bound operational for sensitivity analysis, we further introduce a residual budget calibration approach based on local residual outcome variation and record a complementary range bound for support-based restrictions. Finally, we show how the pointwise bound can be operationalized for inference through a scalar functional reduction and a Bayesian g-computation algorithm that combines observed-data posterior uncertainty with user-specified sensitivity uncertainty, rather than treating the unidentified sensitivity corrections as learned from the likelihood.