面向密集纵向资料的动态因果中介分析

由于可穿戴设备和移动健康技术的进步， characterized by frequent measurements across numerous time points 的密集纵向资料日益常见。我们考虑评估在此类资料中，位于时间可变暴露、时间可变中介变量与最终遥远结果之间的因果中介路径。由于存在大量潜在暴露、复杂的中介路径以及中间混杂， 在这些设置下进行中介问题分析具有挑战性。现有方法，如干预性效应和路径特异性效应，在密集纵向资料中变得不可行。我们提出了新的中介效应，称为自然直接效应与间接激发效应，后者量化了通过每个治疗时间后最 immediate 中介变量所经过的中介。这些效应在合理假设下可被识别，并分解总激发效应。我们推导了高效影响函数，提出了这些中介效应的乘积稳健估计器。估计器具有乘积稳健性，可容纳灵活的机器学习算法并可选用交叉拟合。在治疗分配机制已知的情况下，例如在微随机试验中，这些估计器具有双稳健性。我们证明了所提出估计器的一致性和渐近正态性。我们的方法通过HeartSteps 微随机试验和SleepHealth 观察性研究中的真实数据进行了说明。