Identification and multiply robust estimation in causal mediation analysis across principal strata
主分层间因果中介分析的识别与多重稳健估计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：摘要直接研究处理后事件下的主分层、自然中介效应及其识别与稳健估计，文本依据明确对应因果推断。
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
主分层间因果中介分析的识别与多重稳健估计
- 研究问题
- 当存在不依从、临床事件或死亡等处理后事件时，如何识别总体及不同主分层的自然中介效应，并进行稳健推断？
- 方法与思路
- 作者推导各中介目标量的有效影响函数，构造多重稳健估计量，并结合数据自适应学习器与识别假设的敏感性分析。
- 材料陈述的贡献
- 摘要称，估计量在四类误设下仍一致，所有干扰模型正确时有效；另提出非参数有效估计，并以模拟及两个实例说明。
- 阅读关注点
- 应核对主分层与自然中介效应的定义、识别假设、四类允许误设的具体组合，以及机器学习估计满足有效推断的条件。
- 阅读边界
- 所据为 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明关键识别假设及四类误设，不能据此判断实际稳健范围。
原文摘要
We consider assessing causal mediation in the presence of a post-treatment event (examples include noncompliance, a clinical event, or death). We identify natural mediation effects for the entire study population and for each principal stratum characterized by the joint potential values of the post-treatment event. We derive the efficient influence function for each mediation estimand, which motivates a set of multiply robust estimators for inference. The multiply robust estimators are consistent under four types of misspecifications and are efficient when all nuisance models are correctly specified. We also develop a nonparametric efficient estimator that leverages data-adaptive machine learners to achieve efficient inference and discuss sensitivity methods to address key identification assumptions. We illustrate our methods via simulations and two real data examples.