Proximal mediation analysis
近端中介分析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。
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：摘要直接研究未测混杂下自然直接效应与自然间接效应的识别和估计。
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…
近端中介分析
- 研究问题
- 观测协变量不足以消除混杂、但存在潜在混杂的代理变量时，如何识别并估计经由中介路径产生的自然直接和间接效应？
- 方法与思路
- 作者提出三种近端识别结果，利用代理变量处理未测混杂，并建立自然直接与间接效应的半参数推断框架。
- 材料陈述的贡献
- 摘要称，该工作将近端因果方法由总效应拓展到中介路径，给出三种识别结果，并构造局部有效且多重稳健的估计量。
- 阅读关注点
- 应逐一核对三种识别结果的代理变量要求、桥接关系及相关条件，并明确局部效率与多重稳健性各自的适用范围。
- 阅读边界
- 仅依据所给Crossref摘要；未列出代理变量有效性和识别条件，不能仅凭存在代理变量就认定中介效应可识别。
原文摘要
Summary A common concern when trying to draw causal inferences from observational data is that the measured covariates are insufficiently rich to account for all sources of confounding. In practice, many of the covariates may only be proxies of the latent confounding mechanism. Recent work has shown that in certain settings where the standard no-unmeasured-confounding assumption fails, proxy variables can be leveraged to identify causal effects. Results currently exist for the total causal effect of an intervention, but little consideration has been given to learning about the direct or indirect pathways of the effect through a mediator variable. In this work, we describe three separate proximal identification results for natural direct and indirect effects in the presence of unmeasured confounding. We then develop a semiparametric framework for inference on natural direct and indirect effects, which leads us to locally efficient, multiply robust estimators.