A Unified Three-Stage Weighting Framework for Causal Inference and Mediation Analysis under Case-Control Sampling
病例对照抽样下因果推断与中介分析的统一三阶段加权框架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：摘要明确以病例对照抽样下的总因果效应、直接效应和间接效应识别与估计为目标，直接对应因果推断。
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
病例对照抽样下因果推断与中介分析的统一三阶段加权框架
- 研究问题
- 病例对照抽样改变总体结局分布后，如何恢复目标总体的因果效应，并进一步区分直接、间接和交互作用路径？
- 方法与思路
- 作者先结合外部协变量信息估计总体结局发生率，再用设计权重重建总体分布，最后在边际结构模型中施加因果与中介权重。
- 材料陈述的贡献
- 摘要提出统一三阶段加权框架，称模拟中可恢复目标总体的总效应与路径效应，并以美国健康与营养调查数据展示应用。
- 阅读关注点
- 应核对发生率估计所需的外部信息及标签偏移条件、各阶段误差如何传递，以及总效应与中介效应各自的识别条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列明完整识别假设、外部信息要求或模拟数值，稳健性范围尚不清楚。
原文摘要
Case-control studies are widely used in epidemiology and biomedical research because they provide substantial efficiency gains when outcomes are rare or prospective follow-up is impractical. However, retrospective outcome-dependent sampling distorts the population outcome distribution, creating fundamental challenges for causal inference. We propose a unified three-stage weighting (3S-weighting) framework for causal inference and causal mediation analysis from case--control studies. The proposed approach first estimates the unknown population outcome prevalence using density-ratio learning and label-shift correction combined with externally available covariate information. Next, prevalence-based design weights are used to reconstruct the target population distribution from the retrospective sample. Finally, stabilized causal and mediation weights are applied within a marginal structural modeling framework to estimate total and pathway-specific causal effects, including the pure direct effect, pure indirect effect, and interaction effect. Simulation studies demonstrate that conventional analyses that ignore retrospective sampling can produce substantial bias in both total and mediation effect estimates, whereas the proposed approach consistently recovers the target population causal parameters across a range of sampling scenarios. An application of data from the National Health and Nutrition Examination Survey further illustrates the practical implementation and utility of the proposed framework.