Sequential Transport for Causal Mediation Analysis
用于因果中介分析的序贯传输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：摘要明确讨论中介因果效应，并以最优传输和条件分布映射构造分布层面的效应分解。
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…
用于因果中介分析的序贯传输
- 研究问题
- 如何在保留多个中介变量因果依赖的同时构造个体中介反事实，并明确直接、间接效应何时具有因果解释？
- 方法与思路
- 作者将最优传输与中介 DAG 结合，按依赖结构依次改变中介分布；数值中介使用条件分位数映射，类别中介使用单纯形传输。
- 材料陈述的贡献
- 摘要称，在正则性与支持条件下建立传输映射及效应分解的一致性，并区分随机或可忽略处理下的因果解释与一般组间归因。
- 阅读关注点
- 应核对最小传输准则、DAG 的来源、条件支持要求及效应定义，尤其明确构造出的个体反事实与传统中介反事实有何关系。
- 阅读边界
- 依据 arXiv 预印本摘要，同行评审及期刊接收未经核实；避免跨世界假设不等于无需识别条件，摘要未展开正则性与支持要求。
原文摘要
We propose sequential transport (ST), a distributional framework for mediation analysis that combines optimal transport (OT) with a mediator directed acyclic graph (DAG). Instead of relying on cross-world counterfactual assumptions, ST constructs unit-level mediator counterfactuals by minimally transporting each mediator, either marginally or conditionally, toward its distribution under an alternative treatment while preserving the causal dependencies encoded by the DAG. For numerical mediators, ST uses monotone (conditional) OT maps based on conditional CDF/quantile estimators; for categorical mediators, it extends naturally via simplex-based transport. We establish consistency of the estimated transport maps and of the induced unit-level decompositions into mutatis mutandis direct and indirect effects under standard regularity and support conditions. When the treatment is randomized or ignorable (possibly conditional on covariates), these decompositions admit a causal interpretation; otherwise, they provide a principled distributional attribution of differences between groups aligned with the mediator structure. Gaussian examples show that ST recovers classical mediation formulas, while additional simulations confirm good performance in nonlinear and mixed-type settings. An application to the COMPAS dataset illustrates how ST yields deterministic, DAG-consistent counterfactual mediators and a fine-grained mediator-level attribution of disparities.