Sharp nonparametric bounds for decomposition effects with two binary mediators
两个二元中介变量下分解效应的锐利非参数界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：摘要明确研究随机处理、顺序中介、未测混杂和中介效应的非参数界，直接对应因果推断中的部分识别问题。
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…
两个二元中介变量下分解效应的锐利非参数界
- 研究问题
- 在随机试验中，两个顺序二元中介均与结局存在未测混杂时，如何为总风险差分解中的中介效应和控制直接效应提供有效锐界？
- 方法与思路
- 作者在顺序中介因果模型下推导多种效应的非参数界，以随机概率分布模拟研究界的性质，并用真实数据示例说明解释。
- 材料陈述的贡献
- 摘要称主文提供五组界、补充材料提供三十组新界，并指出把分解项各自的锐界相加减，通常只能得到有效而非锐利的界。
- 阅读关注点
- 应核对各效应分解的定义、未测混杂下仍保留的因果假设，以及锐界的可达到性证明和联合约束为何阻止简单拼接。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未列出界的公式和完整因果模型，不能判断特定数据下界的宽度或信息量。
原文摘要
In randomized trials, once the total effect of the intervention has been estimated, it is often of interest to explore mechanistic effects through mediators along the causal pathway between the randomized treatment and the outcome. In the setting with two sequential mediators, there are a variety of decompositions of the total risk difference into mediation effects. We derive sharp and valid bounds for a number of mediation effects in the setting of two sequential mediators both with unmeasured confounding with the outcome. We provide five such bounds in the main text corresponding to two different decompositions of the total effect, as well as the controlled direct effect, with an additional thirty novel bounds provided in the supplementary materials corresponding to the terms of twenty-four four-way decompositions. We also show that, although it may seem that one can produce sharp bounds by adding or subtracting the limits of the sharp bounds for terms in a decomposition, this almost always produces valid, but not sharp bounds that can even be completely noninformative. We investigate the properties of the bounds by simulating random probability distributions under our causal model and illustrate how they are interpreted in a real data example.