Statistical Inference for Mediation Models with High Dimensional Exposures and Mediators
高维暴露与高维中介模型的统计推断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。
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：摘要围绕中介路径及直接、间接效应展开，直接关联因果分析问题，但具体因果识别条件未说明。
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…
高维暴露与高维中介模型的统计推断
- 研究问题
- 当暴露变量和中介变量同时高维时，如何估计并检验直接与间接效应，处理传统主要针对高维中介的分析框架所未覆盖的情况？
- 方法与思路
- 作者提出 PRIME 框架，将双层潜在因子结构与分组部分惩罚最小二乘结合，估计直接和间接效应，并分别构造 F 型与 Wald 检验。
- 材料陈述的贡献
- 摘要称，框架同时覆盖高维暴露和中介，研究了理论与数值表现，并用于分析遗传变异对阿尔茨海默病的直接作用及经脑活动传递的间接作用。
- 阅读关注点
- 应核对直接与间接效应的定义、双层因子结构和部分惩罚的识别作用，以及中介效应因果解释所需条件和两类检验的有效性要求。
- 阅读边界
- 仅据所给 OpenAlex 摘要版本。摘要未说明混杂控制、时间顺序或其他因果识别假设；中介模型中的直接与间接效应不能仅凭这些名称获得因果解释。
原文摘要
High-dimensional mediation analysis has gained increasing interest in various fields, particularly in genetic and medical research. Compared with existing works that focus mainly on high-dimensional mediators, this paper advocates a new framework of Partial Regularization-based Inference for Mediation Effects (PRIME) when both exposures and mediators are high-dimensional. Estimated direct and indirect effects are established using a group-wise partially penalized least squares method, incorporating a double-layer latent factor structure. F-type and Wald tests for the high-dimensional direct and indirect effects, respectively, are advocated based on the proposed estimators. Both theoretical and numerical performance of PRIME have been carefully studied. PRIME is also applied to investigating direct effects of genetic variants on Alzheimer’s disease (AD) and indirect effects of them mediated by changes in brain activity intensity.