Multiply Robust Causal Mediation Analysis with Continuous Treatments
连续处理下的多重稳健因果中介分析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：摘要明确研究连续处理的直接和间接因果效应及多重稳健中介估计。
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…
连续处理下的多重稳健因果中介分析
- 研究问题
- 当处理变量连续时，如何在减少强参数化限制的同时估计直接与间接因果效应，并允许辅助函数以较慢速度收敛？
- 方法与思路
- 作者借鉴影响函数估计思路，结合核平滑和交叉拟合构造连续处理下的中介效应估计量，并研究其稳健性与渐近分布。
- 材料陈述的贡献
- 摘要称该估计量具有多重稳健性和渐近正态性，交叉拟合可放宽辅助函数的光滑性要求，并允许其收敛慢于目标参数。
- 阅读关注点
- 应核对直接与间接效应的识别假设、多重稳健性涵盖的模型组合、带宽与平滑偏差，以及辅助函数所需收敛速度。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核验；摘要未列出识别、带宽及速率条件，不能将所称性质视为普遍成立。
原文摘要
In many applications, researchers are interested in the direct and indirect causal effects of a treatment or exposure on an outcome of interest. Mediation analysis offers a rigorous framework for identifying and estimating these causal effects. For binary treatments, efficient estimators for the direct and indirect effects are presented by Tchetgen Tchetgen and Shpitser (2012) based on the influence function of the parameter of interest. These estimators possess desirable properties such as multiple-robustness and asymptotic normality while allowing for slower than root-n rates of convergence for the nuisance parameters. However, in settings involving continuous treatments, these influence function-based estimators are not readily applicable without making strong parametric assumptions. In this work, utilizing a kernel smoothing approach, we propose an estimator suitable for settings with continuous treatments inspired by the influence function-based estimation strategy. Our proposed approach employs cross-fitting, relaxing the smoothness requirements on the nuisance functions and allowing them to be estimated at slower rates than the target parameter. Additionally, similar to influence function-based estimators, our proposed estimator is multiply robust and asymptotically normal, allowing for inference in settings where parametric assumptions may not be justified.