High-Dimensional Mediation Analysis for Generalized Linear Models Using Bayesian Variable Selection Guided by Mediator Correlation
基于中介相关引导贝叶斯变量选择的高维广义线性模型中介分析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：摘要明确以中介路径识别与间接效应估计为核心，属于因果推断中的中介分析，故选择因果推断；其余领域细分缺乏摘要文本依据。
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…
基于中介相关引导贝叶斯变量选择的高维广义线性模型中介分析
- 研究问题
- 摘要称，本文关注高维中介分析中识别中介路径并估计暴露到结果的间接效应，难点包括高维、组学中介间复杂依赖以及非连续结果；并指出常用方法假设中介独立或在选择阶段忽略相关性，在中介高度相关时可能降低检验功效。
- 方法与思路
- 作者提出贝叶斯框架：中介用多元分布建模，暴露—中介选择由包含指示变量的马尔可夫随机场先验引导，中介—结果激活通过序贯子集伯努利先验限制在暴露—中介模型支持的变量上；由此产生非高斯似然与专门选择先验，需要高效自适应的后验计算。
- 材料陈述的贡献
- 摘要称，该框架在广义线性模型下选择活跃路径并考虑中介依赖；模拟研究显示在中介相关情形下运行特征改善，全局零假设下误差控制适当，模型误设下表现稳定；并用真实代谢组学数据研究替代地中海饮食依从性与两个心血管代谢结局之间可能的中介代谢物。
- 阅读关注点
- 应核对多元中介分布与马尔可夫随机场先验的具体形式、序贯子集伯努利先验如何实现路径限制、后验计算算法及其收敛与计算成本；并检查模拟设计、全局零假设下误差控制指标、误设情形的定义，以及代谢组学应用中暴露、结局与中介的测量和因果识别假设。
- 阅读边界
- 仅凭摘要无法判断识别假设、定理条件、估计量性质、模拟与实证的具体数值结果及可复现性；摘要未说明样本量、先验超参数、比较方法与软件实现。该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
High-dimensional mediation analysis aims to identify mediating pathways and to estimate indirect effects linking an exposure to an outcome. In this paper, we propose a Bayesian framework to address key challenges in these analyses, including high dimensionality, complex dependence among omics mediators, and non-continuous outcomes. Furthermore, commonly used approaches assume independent mediators or ignore correlations in the selection stage, which can reduce power when mediators are highly correlated. Addressing these challenges leads to a non-Gaussian likelihood and specialized selection priors, which in turn require efficient and adaptive posterior computation. Our proposed framework selects active pathways under generalized linear models while accounting for mediator dependence. Specifically, the mediators are modeled using a multivariate distribution, exposure-mediator selection is guided by a Markov random field prior on inclusion indicators, and mediator-outcome activation is restricted to mediators supported in the exposure-mediator model through a sequential subsetting Bernoulli prior. Simulation studies show improved operating characteristics in correlated-mediator settings, with appropriate error control under the global null and stable performance under model misspecification. We illustrate the method using real-world metabolomics data to study metabolites that mediate the association between adherence to the Alternate Mediterranean Diet score and two cardiometabolic outcomes.