非高斯误差下的线性模型的半参数因果中介分析：药物治疗与社会项目评估中的应用
统计方法学
2026-04-10 v1
摘要
背景：中介分析广泛用于探讨治疗和项目如何发挥作用，但当回归误差为非高斯时，标准最小二乘(OLS)推论可能不可靠。在医学和公共卫生研究中，这可能影响间接效应和直接效应是否被视为临床或科学上有意义。方法：我们发展了一个用于线性模型的半参数因果中介框架，允许可能的非高斯误差，涵盖标准模型和包含治疗-中介变量相互作用的模型。该方法结合了半参数高效回归估计、用于数值稳定性的可重复多开始拟合算法，以及堆叠估计方程用于置信区间构建，不要求满足高斯误差假设。结果：在高斯、偏斜和混合误差的仿真中，半参数估计器相对于OLS减少了均方根误差和置信区间长度，尤其在非高斯误差下获得最大提升。在近边界功率设计中，OLS置信区间实现了18.3%的经验功率，而半参数置信区间在所有复制中均识别出显著效应。在\textit{uis}药物治疗数据中，它在明确的治疗-中介变量相互作用下提供了更精确的治疗特定效应估计。在\textit{jobs}社会项目数据中，半参数分析为中介效应产生了较短的置信区间，并检测到OLS未检测到的非零中介效应。结论：半参数中介分析可提高非高斯结果下效应分解的精度和可靠性，为在间接效应和直接效应可能用于临床或政策决策时提供OLS的实用替代方案。
引用
@article{arxiv.2604.08346,
title = {Semiparametric Causal Mediation Analysis for Linear Models with Non-Gaussian Errors: Applications to Drug Treatment and Social Program Evaluation},
author = {Mijeong Kim},
journal= {arXiv preprint arXiv:2604.08346},
year = {2026}
}