High-dimensional Many-to-many-to-many Mediation Analysis
高维多对多对多中介分析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。
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：摘要核心是高维中介分析中的间接效应估计与变量选择，属于因果推断中的中介分析方向，故选择因果推断。
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…
高维多对多对多中介分析
- 研究问题
- 摘要称，研究暴露、中介与结局均为多变量且暴露和中介可能高维时的中介分析问题，即多暴露—多中介—多结局（MMM）框架下的间接效应估计与变量选择。
- 方法与思路
- 作者提出MMM中介分析方法，同时对高维暴露与中介做变量选择，估计连接暴露—中介与中介—结局路径的间接效应矩阵，并支持多变量结局预测；通过模拟研究考察有限样本表现，并应用于阿尔茨海默病神经影像学倡议数据。
- 材料陈述的贡献
- 摘要称理论上证明所估间接效应矩阵相合且逐元素渐近正态，并给出估计误差界；实证上识别出可生物学解释的遗传—神经—认知路径，并改善下游样本外分类与预测表现，同时提供MMM软件包。
- 阅读关注点
- 应核对MMM模型的中介识别假设与因果解释条件、高维变量选择的一致性条件、渐近正态与误差界所需的正则化与稀疏性假设，以及模拟设定和ADNI应用中的样本划分与预测评价方式。
- 阅读边界
- 仅凭摘要无法判断识别假设是否成立、理论证明细节、模拟与实证结果的具体数值及可复现性；摘要未说明中介效应的因果识别策略与敏感性分析。该文为arXiv预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
We study high-dimensional mediation analysis in which exposures, mediators, and outcomes are all multivariate, and both exposures and mediators may be high-dimensional. We formalize this as a many (exposures)-to-many (mediators)-to-many (outcomes) (MMM) mediation analysis problem. Methodologically, MMM mediation analysis simultaneously performs variable selection for high-dimensional exposures and mediators, estimates the indirect effect matrix (i.e., the coefficient matrices linking exposure-to-mediator and mediator-to-outcome pathways), and enables prediction of multivariate outcomes. Theoretically, we show that the estimated indirect effect matrices are consistent and element-wise asymptotically normal, and we derive error bounds for the estimators. To evaluate the efficacy of the MMM mediation framework, we first investigate its finite-sample performance, including convergence properties, the behavior of the asymptotic approximations, and robustness to noise, via simulation studies. We then apply MMM mediation analysis to data from the Alzheimer's Disease Neuroimaging Initiative to study how cortical thickness of 202 brain regions may mediate the effects of 688 genome-wide significant single nucleotide polymorphisms (SNPs) (selected from approximately 1.5 million SNPs) on eleven cognitive-behavioral and diagnostic outcomes. The MMM mediation framework identifies biologically interpretable, many-to-many-to-many genetic-neural-cognitive pathways and improves downstream out-of-sample classification and prediction performance. Taken together, our results demonstrate the potential of MMM mediation analysis and highlight the value of statistical methodology for investigating complex, high-dimensional multi-layer pathways in science. The MMM package is available at https://github.com/THELabTop/MMM-Mediation.