Adaptive bootstrap tests for composite null hypotheses in the mediation pathway analysis
中介路径分析中复合原假设的自适应 Bootstrap 检验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：摘要明确研究暴露经中间变量影响结果的中介路径及效应检验，因此与因果推断相关，但因果识别条件未说明。
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
中介路径分析中复合原假设的自适应 Bootstrap 检验
- 研究问题
- 中介效应不存在对应复合原假设时，如何避免检验过于保守，在控制第一类错误的同时提高检验功效？
- 方法与思路
- 作者构建可适应不同复合原假设的 Bootstrap 检验框架，并将其应用于中介分析中的系数乘积检验与联合显著性检验。
- 材料陈述的贡献
- 摘要称，自适应程序在复合原假设下控制第一类错误，相较既有检验提高功效，并讨论理论性质与数值例子。
- 阅读关注点
- 应核对复合原假设不同部分的处理、自适应规则与误差控制条件，以及功效比较的场景和中介效应的因果识别要求。
- 阅读边界
- 仅据所给 Crossref 摘要；摘要未说明因果识别假设、误差控制是否一致有效或功效改善范围，检验有效不自动保证因果解释。
原文摘要
Abstract Mediation analysis aims to assess if, and how, a certain exposure influences an outcome of interest through intermediate variables. This problem has recently gained a surge of attention due to the tremendous need for such analyses in scientific fields. Testing for the mediation effect (ME) is greatly challenged by the fact that the underlying null hypothesis (i.e. the absence of MEs) is composite. Most existing mediation tests are overly conservative and thus underpowered. To overcome this significant methodological hurdle, we develop an adaptive bootstrap testing framework that can accommodate different types of composite null hypotheses in the mediation pathway analysis. Applied to the product of coefficients test and the joint significance test, our adaptive testing procedures provide type I error control under the composite null, resulting in much improved statistical power compared to existing tests. Both theoretical properties and numerical examples of the proposed methodology are discussed.