揭示高维混合暴露中的因果中介路径：一种数据自适应目标参数策略

因果推断中的中介分析通常集中于单一二元暴露，使用确定性干预将平均处理效应通过单一中介拆分为直接与间接效应。然而，真实暴露场景常涉及多个连续暴露，通过先验未知的多变中介路径影响健康结局。针对此复杂性，我们引入 NOVAPathways，一种方法论框架，可识别暴露-中介路径并在干预这些路径时给出直接与间接效应的无偏估计。通过将数据自适应目标参数与随机干预配对，我们提供了一种半参数方法，用于估计高维、连续、二元与分类暴露及中介情形下的因果效应。在我们提出的交叉验证流程中，我们将序列半参数回归应用于数据的参数生成折，以发现暴露-中介路径。随后在估计折中对这些路径使用随机干预，借助灵活机器学习技术构建自然直接与间接效应的高效估计量。我们的估计量在要求 nuisance 函数估计达到 n 的负四分之一一致性的条件下被证明为渐近线性。仿真研究表明，当暴露被量化时估计量具有根号 n 一致性，而对于真正连续数据，数值积分中的近似阻碍了根号 n 一致性。我们的 NOVAPathways 框架作为 R 中开源 SuperNOVA 包的一部分，使所提高维中介分析方法可供研究者使用，为能提供更富信息统计结果的修改暴露政策之应用铺平道路。