Model-Robust Direct Effect Under Confounder-Mediator Ambiguity
混杂变量与中介角色不明时的模型稳健直接效应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：摘要围绕混杂与中介角色歧义、直接效应识别及双重稳健估计展开。
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
混杂变量与中介角色不明时的模型稳健直接效应
- 研究问题
- 当变量可能是处理前混杂因素，也可能是处理后中介时，能否定义在两种角色下都具有明确因果解释的直接效应？
- 方法与思路
- 作者分析 ATE 与自然直接效应的兼容性，给出无加性交互条件及敏感性界，并提出替代目标量与双重稳健估计。
- 材料陈述的贡献
- 摘要称，替代目标量分别对应 ATE 和干预型直接效应，在指定效应类别中具有唯一性，并推导有效影响函数。
- 阅读关注点
- 应核对两种因果结构下的识别条件、唯一性限定的效应类别、无加性交互条件，以及敏感性界和双重稳健要求。
- 阅读边界
- 所据为 arXiv 预印本，同行评审或期刊接收未核实；模型稳健不表示无需识别假设，摘要未给出完整条件。
原文摘要
Direct effect analyses usually require deciding whether a focal variable is a pre-exposure confounder or a post-exposure mediator. In observational studies, that distinction may be unclear because timing is measured coarsely or the variable reflects an evolving process. Considering the average treatment effect (ATE) and the natural direct effect (NDE) as a common notion of the direct effect when the focal variable is a confounder and a mediator, respectively, we show that, in general, no single observed-data estimand recovers both the ATE when the focal variable is a confounder and the NDE when it is a mediator. Consequently, if a practitioner applies an NDE estimator when the variable is actually pre-exposure, the resulting estimate may have no clear causal interpretation. We identify a no-additive-interaction condition under which these quantities coincide, develop sensitivity bounds for departures from that condition, and propose an alternative model-robust estimand. This estimand equals the ATE when the variable is pre-exposure and an interventional direct effect when it is post-exposure. Moreover, within a natural class of outcome-free stochastic direct effects, it is the unique observed-data functional that remains causally interpretable under both structural roles of the focal variable. We derive an efficient influence function and a doubly robust estimator, yielding robustness at two levels: the estimand is model-robust across the two causal scenarios, and the estimator is doubly robust with respect to nuisance estimation. In simulations and in an NHANES application on elevated PFAS burden, kidney function, and uric acid, mediation-based analyses yielded materially different reported estimates.