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。
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：摘要明确研究未测量混杂下的自然直接与间接效应识别，并以代理变量开展中介分析，直接对应因果推断。
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…
近端中介分析
- 研究问题
- 研究观察数据中存在未测量混杂时，能否利用混杂机制的代理变量，识别经由中介传递的自然直接与间接效应。
- 方法与思路
- 作者提出三组近端识别结果，随后建立自然直接与间接效应的半参数推断框架，构造局部有效且多重稳健的估计量。
- 材料陈述的贡献
- 摘要将代理变量的因果识别从总效应扩展到中介路径，给出三组识别结果及相应的局部有效、多重稳健估计方法。
- 阅读关注点
- 应核对三组结果各自要求的代理变量限制、不同混杂路径、识别方程，以及局部有效性和多重稳健性的具体含义。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列明三组识别条件，不能认为有代理变量就能识别中介效应。
原文摘要
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 (in)direct effects, which leads us to locally efficient, multiply robust estimators.