Regression-based approach for natural direct and indirect relative risk in case of multiple mediators
多中介情形下自然直接与间接相对风险的回归方法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：摘要明确研究因果中介分析、自然效应及序贯可忽略性，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…
多中介情形下自然直接与间接相对风险的回归方法
- 研究问题
- 在处理与结局均为二元变量时，如何估计多个相互依赖、尺度不同且存在交互的中介变量所对应的自然直接与间接效应？
- 方法与思路
- 作者在序贯可忽略性假设下建立统一回归框架，容纳连续、二元或混合中介及其交互，推导相对风险效应并进行似然推断。
- 材料陈述的贡献
- 摘要称，方法同时处理中介间依赖与两类交互，给出不同中介配置下的闭式效应表达式，并通过两个实证应用展示使用方式。
- 阅读关注点
- 应核对序贯可忽略性的精确定义、中介间依赖的建模方式，以及交互项、回归设定和自然效应识别之间的关系。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核验。摘要未列出完整识别条件、闭式公式及模型误设下的稳健性结论。
原文摘要
Mediation analysis investigates whether part of the treatment effect is channelled through one or more mediators along the causal pathway between the treatment and the primary outcome. However, the presence of multiple, potentially dependent mediators raises substantial challenges, particularly when the outcome is binary, the mediators are measured on different scales, and interactions are present. We consider on causal mediation analysis with a binary treatment and a binary outcome, defining natural direct, indirect, and total effects on the relative-risk scale, thereby avoiding the interpretational difficulties associated with non-collapsible effect measures. Under a sequential ignorability assumption, we develop a unified regression-based framework that accommodates multiple continuous, binary, or mixed mediators. The proposed framework accounts for dependence among mediators and allows for both exposure-mediator and mediator-mediator interactions. We derive closed-form expressions for the causal effects across the different mediator settings and develop a likelihood-based inference procedure for estimating the causal effects and quantifying their uncertainty. The methodology is illustrated through two empirical applications.