随机中介效应的稳健灵活估计：一种提出的方法及随机试验场景下的示例

因果中介分析可增进对流行病学关联潜在机制的理解。然而，自然直接效应和间接效应估计的效用一直受限于无中介-结局关系混杂因素（该混杂受先前暴露影响）的假设——这一假设在实践中常被违背。我们基于近期确定的不需要此假设的替代估计量的工作，提出了一种灵活且双重稳健的半参数靶向最小损失估计器，用于数据依赖的随机直接效应和间接效应。所提方法将受先前暴露影响的中间混杂因素视为时变混杂因素，并使用以基线协变量为条件并对中间混杂因素边缘化的分布对中介变量进行随机干预。此外，我们假设随机干预在给定观测数据下是已知的，这导致了更简单的估计器和更弱的识别假设。我们在一个简单模拟研究中展示了估计器的有限样本和稳健性性质。我们将该方法应用于“向机会迁移”实验中的一个例子。在此应用中，随机分配获得住房券是处理/工具，它影响了搬到低贫困社区（这是中间混杂因素）。我们估计了随机分配到住房券组对青少年大麻使用的不经由学区变化中介的数据依赖随机直接效应，以及由学区变化中介的随机间接效应。我们发现无中介证据。我们的估计器易于在标准统计软件中实现，并且我们提供带注释的R代码以进一步降低实现障碍。