具有时变中介变量、处理与混杂因素的高效灵活因果中介分析

干预效应已被提出作为在自然（间接）效应因受暴露影响的中介-结局混杂因素而不可识别时的解决方案。此类混杂因素是具有时变暴露与中介变量的研究的内在特征，然而干预效应框架向时变情形的推广在文献中鲜受关注。我们给出了广义纵向数据结构下干预效应的识别结果，该结构允许在处理-结局、处理-中介和中介-结局关系设定上具有灵活性。识别是在标准无未测混杂与 positivity 假设下实现的。我们还基于有效影响函数（EIF）对识别泛函的性质进行了理论与计算研究。我们利用 EIF 提出一种序贯回归估计算法，在所使用回归算法的慢收敛速率下，产生双重鲁棒、$\sqrt{n}$-一致、渐近高斯且高效的估计量。这允许使用灵活的机器学习进行回归，同时通过置信区间与 p 值进行不确定性量化。我们在 GitHub 上提供了实现所提估计量的免费开源 \texttt{R} 包。我们将所提估计量应用于阿片类药物使用障碍两种药物比较有效性试验的一个实例。在该应用中，我们估计两种处理对后续阿片使用风险差异由渴求症状中介的程度。