Proximal Mediation Analysis with Hidden Recanting Witnesses
存在隐藏反悔见证变量时的近端中介分析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。
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：摘要聚焦中介效应分解、路径特定效应识别、隐藏混杂及近端因果推断，直接对应因果推断方向。
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…
存在隐藏反悔见证变量时的近端中介分析
- 研究问题
- 当处理诱发的中介—结局混杂变量未知且无法观察时，如何识别路径特定效应，并建立稳健且有效的中介分析推断？
- 方法与思路
- 作者基于近端因果推断提出三种识别策略，推导有效影响函数与多重稳健估计量，并采用极小极大优化进行去偏估计。
- 材料陈述的贡献
- 摘要称，所提估计量具有多重稳健性；全部干扰模型正确且达到适当收敛率时，估计量渐近正态并达到半参数效率界。
- 阅读关注点
- 应核对三种策略各自的代理变量与识别条件、哪些干扰模型组合足以保证一致性，以及优化实现和置信区间构造。
- 阅读边界
- 这是预印本，同行评审与期刊接收均未核实；摘要未列具体识别限制和收敛率要求，不能理解为任意隐藏混杂均可处理。
原文摘要
Mediation analysis is essential for decomposing the causal effect of a treatment into direct and indirect pathways. However, many practical settings rely on the stringent assumption that recanting witnesses, defined as treatment-induced mediator-outcome confounders, are either absent or fully known a priori. Such a requirement is often untenable, especially when these variables remain unobservable due to measurement difficulties or privacy constraints. In this paper, we leverage proximal causal inference to develop three novel identification strategies to address the challenge of identifying path-specific effects in the presence of unknown recanting witnesses. Building on this, we develop a semiparametric inference framework that derives the efficient influence function and proposes a proximal multiply robust estimator, which remains consistent if at least one set of nuisance models is correctly specified. When all nuisance models are correctly specified and converge at appropriate rates, the estimator is asymptotically normal and achieves the semiparametric efficiency bound. We provide a minimax optimization-based debiased machine learning procedure for point estimation and constructing valid confidence intervals. The performance of the proposed methods is demonstrated by simulation studies and a real data application.