Testing Full Mediation of Treatment Effects and the Identifiability of Causal Mechanisms
处理效应完全中介与因果机制可识别性的检验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：摘要直接研究处理效应的中介机制、识别条件及其因果检验。
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…
处理效应完全中介与因果机制可识别性的检验
- 研究问题
- 如何检验处理对结果的作用是否完全通过观测中介传递，以及不同中介对应的因果机制能否在给定协变量后识别？
- 方法与思路
- 作者利用完全中介与机制识别共同蕴含的条件独立关系构造检验，并以双重机器学习处理高维协变量，扩展至非随机处理。
- 材料陈述的贡献
- 摘要称，检验在特定正则条件下具有根号样本量一致性与渐近正态性，并提供模拟及母亲心理健康、社会规范实验应用。
- 阅读关注点
- 应核对条件独立关系是必要条件还是充分条件、两个命题能否分别检验，以及非随机处理扩展与机器学习推断的具体条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收均未核实；摘要未列出正则条件，检验未拒绝也不能直接证明完全中介或机制识别。
原文摘要
In causal analysis, understanding the causal mechanisms through which an intervention or treatment affects an outcome is often of central interest. We propose a test to evaluate (i) whether the causal effect of a treatment that is randomly assigned conditional on covariates is fully mediated by, or operates exclusively through, observed intermediate outcomes (referred to as mediators or surrogate outcomes), and (ii) whether the various causal mechanisms operating through different mediators are identifiable conditional on covariates. We demonstrate that if both full mediation and identification of causal mechanisms hold, then the conditionally random treatment is conditionally independent of the outcome given the mediators and covariates. Furthermore, we extend our framework to settings with non-randomly assigned treatments. We show that, in this case, full mediation remains testable, while identification of causal mechanisms is no longer guaranteed. We propose a double machine learning framework for implementing the test that can incorporate high-dimensional covariates and is root-n consistent and asymptotically normal under specific regularity conditions. We also present a simulation study demonstrating good finite-sample performance of our method, along with two empirical applications revisiting randomized experiments on maternal mental health and social norms.