A case study of causal mediation using Bayesian nonparametrics and semiparametric corrections
结合贝叶斯非参数与半参数校正的因果中介分析案例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：摘要直接以因果中介分析中的自然直接效应和自然间接效应为目标，并讨论处理后混杂及后验推断，属于因果推断。
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
结合贝叶斯非参数与半参数校正的因果中介分析案例
- 研究问题
- 存在处理后混杂因素时，如何估计自然直接效应和自然间接效应，并使复杂联合分布模型产生的目标后验具有可靠覆盖性质？
- 方法与思路
- 作者采用截断富集 Dirichlet 过程混合模型，改进 Gibbs 抽样的簇重分配，并依据有效影响函数进行一步后验校正。
- 材料陈述的贡献
- 摘要称，一步校正可使自然效应后验具有包括正确覆盖率在内的良好频率学性质，并通过模拟及体重管理临床试验展示表现。
- 阅读关注点
- 核对处理后混杂下自然效应的定义与识别条件、有效影响函数的推导，以及后验校正、截断设置和抽样改进各自的作用。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未解释处理后混杂下的完整识别条件或覆盖率结论的适用范围。
原文摘要
We propose a Bayesian nonparametric approach using a truncated Enriched Dirichlet Process mixture (EDPM) model to estimate natural direct (NDE) and indirect (NIE) effects in causal mediation analyses in the presence of post-treatment confounders. We introduce an efficient cluster reallocation Metropolis-Hasting algorithm to improve mixing in the blocked Gibbs sampler. We implement a one-step posterior correction based on the efficient influence function for our setting. This post-processing step solves a critical problem in Bayesian nonparametrics: how to obtain reliable estimates and posteriors for a specific causal estimand of interest (the NDE and NIE) with excellent frequentist properties, such as correct coverage, from a model designed for complex joint distributions. We conduct simulation studies to assess our method's performance and apply it to evaluate causal mediation effects in a weight management clinical trial.