Causal Mediation Analysis with Multiple Mediators: A Simulation Approach
多重中介的因果中介分析：模拟方法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：摘要直接研究潜在结果、因果中介及直接、间接和路径特定效应。
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
多重中介的因果中介分析：模拟方法
- 研究问题
- 存在暴露诱发混杂或多个中介时，如何统一估计干预型、自然型直接与间接效应，以及路径特定效应等不同目标？
- 方法与思路
- 作者从各中介和结局的分布模型模拟潜在结果，先给出参数化实现，再用深度神经网络近似相关分布以减轻函数形式限制。
- 材料陈述的贡献
- 摘要提出覆盖多类中介效应和变量类型的模拟框架，并通过媒体框架与移民态度、产前护理与早产两项研究的再分析说明。
- 阅读关注点
- 应分别核对各效应的定义和识别条件、中介之间的因果顺序，以及分布模拟、神经网络拟合和不确定性计算的实现。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明各目标的识别假设，非参数建模也不能据此保证消除混杂或误设。
原文摘要
Analyses of causal mediation often involve exposure-induced confounders or, relatedly, multiple mediators. In such applications, researchers aim to estimate a variety of different quantities, including interventional direct and indirect effects, multivariate natural direct and indirect effects, and/or path-specific effects. This study introduces a general approach to estimating all these quantities by simulating potential outcomes from a series of distribution models for each mediator and the outcome. Building on similar methods developed for analyses with only a single mediator (Imai et al. 2010), we first outline how to implement this approach with parametric models. The parametric implementation can accommodate linear and nonlinear relationships, both continuous and discrete mediators, and many different types of outcomes. However, it depends on correct specification of each model used to simulate the potential outcomes. To address the risk of misspecification, we also introduce an alternative implementation using a novel class of nonparametric models, which leverage deep neural networks to approximate the relevant distributions without relying on strict assumptions about functional form. We illustrate both methods by reanalyzing the effects of media framing on attitudes toward immigration (Brader et al. 2008) and the effects of prenatal care on preterm birth (VanderWeele et al. 2014).