Debiased Causal Mediation Analysis in Ultra-High-Dimensional Settings in the Presence of Interaction Effects
含交互效应的超高维因果中介分析去偏估计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：摘要明确研究因果中介泛函及自然直接、间接效应的高维估计与推断。
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…
含交互效应的超高维因果中介分析去偏估计
- 研究问题
- 当中介变量和协变量都为超高维，且处理与协变量、中介存在交互时，如何估计中介泛函并推断自然直接和间接效应？
- 方法与思路
- 作者允许中介模型和结局模型中的多种处理交互，针对跨处理组、跨回归方程的高维参数组合提出多步去偏方法。
- 材料陈述的贡献
- 摘要称估计量具有根号样本量一致性和渐近正态性，支持自然效应推断，并通过模拟与肺癌数据分析展示吸烟的甲基化中介作用。
- 阅读关注点
- 核对自然效应的识别假设、稀疏性和维度增长条件，检查交互项的去偏步骤，以及生存结局与删失在应用中的处理。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出因果识别及高维正则条件，应用本身不能确证甲基化的因果中介机制。
原文摘要
Mediation analysis is a crucial tool for uncovering the mechanisms through which a treatment affects an outcome, providing deeper causal insights and guiding effective interventions. Despite substantial advances in mediation analysis with fixed- or low-dimensional mediators and covariates, estimation and inference for mediation functionals remain limited when both mediators and covariates are ultra-high-dimensional. In this paper, we propose an estimator for the mediation functional in a high-dimensional setting that accommodates the treatment--covariate interactions in the mediator model, as well as treatment--covariate and treatment--mediator interactions in the outcome model. As the parameter of interest involves high-dimensional components from different treatment arms and regression equations, existing debiasing approaches are not directly applicable, motivating our multi-step debiasing technique for handling such structurally complex functionals. We establish that the proposed estimator is $\sqrt{n}$-consistent and asymptotically normal, enabling valid inference for natural direct and indirect effects. We evaluate our proposed methodology through extensive simulation studies and apply it to the TCGA lung cancer dataset to estimate the effect of smoking, mediated by DNA methylation, on the survival time of lung cancer patients.