Dynamic Causal Mediation Analysis for Intensive Longitudinal Data
密集纵向数据的动态因果中介分析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：摘要直接研究时变处理的因果中介效应、识别与稳健估计，因此归入因果推断。
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…
关注这篇论文的作者
密集纵向数据的动态因果中介分析
- 研究问题
- 在频繁测量的纵向数据中，如何刻画时变处理经由紧随其后的中介影响最终结局的路径，并处理复杂路径与中间混杂？
- 方法与思路
- 作者定义自然直接与间接偏离效应，推导有效影响函数，构造可结合机器学习与可选交叉拟合的多重稳健估计量。
- 材料陈述的贡献
- 摘要称新效应可分解总偏离效应，估计量具有一致性与渐近正态性；处理分配机制已知时具有双重稳健性，并提供两项应用。
- 阅读关注点
- 核对效应的反事实定义、识别假设与中间混杂的处理方式，重点检查多重稳健性对应的模型组合及交叉拟合条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未列出识别与渐近理论的具体条件，也未报告应用效应的数值。
原文摘要
Intensive longitudinal data, characterized by frequent measurements across numerous time points, are increasingly common due to advances in wearable devices and mobile health technologies. We consider evaluating causal mediation pathways between time-varying exposures, time-varying mediators, and a final, distal outcome using such data. Addressing mediation questions in these settings is challenging due to numerous potential exposures, complex mediation pathways, and intermediate confounding. Existing methods, such as interventional and path-specific effects, become impractical in intensive longitudinal data. We propose novel mediation effects termed natural direct and indirect excursion effects, which quantify mediation through the most immediate mediator following each treatment time. These effects are identifiable under plausible assumptions and decompose the total excursion effect. We derive efficient influence functions and propose multiply-robust estimators for these mediation effects. The estimators are multiply-robust and accommodate flexible machine learning algorithms and optional cross-fitting. In settings where the treatment assignment mechanism is known, such as the micro-randomized trial, the estimators are doubly-robust. We establish the consistency and asymptotic normality of the proposed estimators. Our methodology is illustrated using real-world data from the HeartSteps micro-randomized trial and the SleepHealth observational study.