[论文解读] Clarifying causal mediation analysis for the applied researcher: Effect identification via three assumptions and five potential outcomes

Trang Quynh Nguyen, Ian Schmid+2 more|arXiv (Cornell University)|Nov 18, 2020

Advanced Causal Inference Techniques参考文献 13被引用 5

一句话总结

本文通过系统识别估计五种不同潜在结果类型及其相关因果效应所必需的假设，澄清了因果中介分析。它表明，许多常用的效果定义所需的假设比以往认为的要弱，为研究人员提供了一个清晰、结构化的框架，可根据其目标 estimand 选择适当的假设。

ABSTRACT

Causal mediation analysis is complicated with multiple effect definitions that require different sets of assumptions for identification. This paper provides a systematic explanation of such assumptions. We define five potential outcome types whose means are involved in various effect definitions. We tackle their mean/distribution's identification, starting with the one that requires the weakest assumptions and gradually building up to the one that requires the strongest assumptions. This presentation shows clearly why an assumption is required for one estimand and not another, and provides a succinct table from which an applied researcher could pick out the assumptions required for identifying the causal effects they target. Using a running example, the paper illustrates the assembling and consideration of identifying assumptions for a range of causal contrasts. For several that are commonly encountered in the literature, this exercise clarifies that identification requires weaker assumptions than those often stated in the literature. This attention to the details also draws attention to the differences in the positivity assumption for different estimands, with practical implications. Clarity on the identifying assumptions of these various estimands will help researchers conduct appropriate mediation analyses and interpret the results with appropriate caution given the plausibility of the assumptions.

研究动机与目标

• 解决由于多种效果定义和不一致假设导致的因果中介分析中的混淆。
• 识别估计中介模型中各种因果效应所需的一组最弱假设。
• 阐明不同 estimand 中正性假设的作用，突出其实际影响。
• 为应用研究人员提供一个决策工具，根据其感兴趣的特定因果 estimand 选择假设。
• 通过表明某些效果定义所需的假设比以往认为的更弱，纠正文献中的常见误解。

提出的方法

• 定义五种不同的潜在结果类型，其均值是不同因果效应定义的核心。
• 系统识别估计每种潜在结果类型均值所需假设，从最弱到最强逐步展开。
• 使用一个实际示例，说明如何为不同因果对比组装和评估识别假设。
• 呈现一份简洁表格，总结每种 estimand 所需的假设，便于应用研究人员快速查阅。
• 分析不同 estimand 中的正性假设，突出其在实际可行性与解释上的差异。
• 证明几种在文献中常用的效应定义可在比传统假设更弱的条件下被识别。

实验结果

研究问题

• RQ1 估计中介分析中不同因果效应所需的最小识别假设是什么？
• RQ2 估计不同潜在结果均值所需假设的强度和结构如何比较？
• RQ3 为何某些效应定义需要比其他定义更强的假设？其差异的原因是什么？
• RQ4 正性假设在不同 estimand 中如何变化？其实际影响是什么？
• RQ5 文献中常用的某些效应定义是否可在比以往认为更弱的假设下被识别？

主要发现

• 本文发现，中介分析中若干因果效应定义所需的识别假设，比文献中通常引用的要弱。
• 五种定义的潜在结果类型的均值可在逐步增强的假设下被估计，其中最弱的假设集已足以支持某些效应定义。
• 正性假设在不同 estimand 中并非一致；其要求存在显著差异，影响估计的实际可行性。
• 所提出的框架阐明了为何某些假设对特定 estimand 必不可少，而对其他 estimand 则非必要，从而增强了模型选择的透明度。
• 系统性方法使应用研究人员能够选择与其目标 estimand 匹配的假设，从而提高中介分析的有效性和可解释性。
• 研究结果表明，通常被认为对效应识别必不可少的假设可能过于保守，提示在应用研究中需重新评估。