📊 statistics

Cumulative Natural Direct and Indirect Effects for Causal Mediation Analysis

本文引入了累积自然直接效应（CNDE）和累积自然间接效应（CNIE）作为一种新的因果中介分析框架，通过确保连续型和序数型处理的总效应分解满足偏斜对称性和加法性，解决了传统度量方法中的解释悖论问题。

原作者： Yuta Kawakami, Jin Tian

发布于 2026-06-23

📖 1 分钟阅读☕ 轻松阅读

原作者： Yuta Kawakami, Jin Tian

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在试图弄清楚为什么一辆汽车正在加速。你知道驾驶员踩下了油门（处理/Treatment），然后汽车变快了（结果/Outcome）。但中间有一个中间人：引擎先转速升高（中介变量/Mediator），然后才推动汽车前进。

科学家们长期以来一直使用一种名为“因果中介分析”（Causal Mediation Analysis）的方法来拆分总的加速量为两部分：

直接效应（Direct Effect）： 在没有引擎转速升高的前提下，油门让汽车变快的程度（也许是通过某种直接的机械连接）。
间接效应（Indirect Effect）： 因为引擎先转速升高，进而导致油门让汽车变快的程度。

问题所在：“矛盾”的尺子

作者发现，传统的工具（NDE/NIE）就像一把坏掉的尺子，它有两个主要的缺陷，会导致结果令人困惑甚至产生矛盾：

“翻转”问题（缺乏反对称性/Lack of Skew-Symmetry）：
想象你在测量从家到公园的距离。如果你从“家 $\to$ 公园”步行，距离是 5 英里。如果你从“公园 $\to$ 家”步行，距离应该是 -5 英里（大小相同，仅方向相反）。
使用旧工具，如果你问：“多抽 1 支烟会增加多少心脏病风险？”你可能会得到一个答案，说：“100% 是由高血压引起的。”
但如果你把问题反过来问：“减少 1 支烟会降低多少心脏病风险？”同一个工具可能会告诉你：“0% 是由血压引起的；这全是直接效应！”
悖论： 疾病的机制不应该仅仅因为你反向提问就发生改变。旧工具会对同一个现实给出两个完全不同的故事。
“破碎之和”问题（缺乏加法性/Lack of Additivity）：
想象你从家走到公园（5 英里），然后从公园走到图书馆（3 英里）。总距离应该是 8 英里。
使用旧工具，如果你分别测量“家 $\to$ 公园”和“公园 $\to$ 图书馆”这两段路程，得到的数字可能会加起来变得很奇怪，比如 6 英里或 10 英里，而不是真实的 8 英里。
悖论： 你无法通过部分的组合来了解整体。如果你将一段长途旅行切分成小步，旧工具会显示“间接”原因会随着你切割旅程的方式而改变。

解决方案：一种新的“累积”尺子

为了修复这个问题，作者发明了新的工具，称为 CNDE（累积自然直接效应）和 CNIE（累积自然间接效应）。

把旧方法想象成只在旅程的起点和终点拍个快照，忽略了中间过程。
而新方法则像是沿着路径一步步地行走。

它是如何运作的： 它不是一次性观察从“0 支烟”到“40 支烟”的大跨度跳跃，而是观察每一个微小的、无穷小的步骤：“当你从 0 变成 0.1 时会发生什么？那么从 0.1 变成 0.2 时呢？”
它计算路径上每一个微小步骤的直接效应和间接效应，然后将它们全部相加（累积）。

为什么这个新尺子更好

它具有一致性（反对称性）： 如果你从“家 $\to$ 公园”走，你会得到 +5。如果你从“公园 $\to$ 家”走，你会得到 -5。故事是一样的，只是方向变了。新工具确保了无论你从哪个方向看，由引擎（中介变量）引起的效应比例保持不变。
它可以相加（加法性）： 如果你从“家 $\to$ 公园”，然后从“公园 $\to$ 图书馆”，新工具保证这两个小行程的和等于大行程的总和。你可以相信整个旅程的“间接”原因就是那些小步骤“间接”原因的总和。

现实世界测试：吸烟研究

作者使用关于吸烟、体重（BMI）和心率的真实数据测试了这个新工具。

旧工具结果： 当他们观察吸烟量从 20 支增加到 40 支时，该工具显示效应主要是直接的。但当他们观察吸烟量从 40 支减少到 20 支时，它又显示效应主要是间接的。这是一个混乱的局面。
新工具结果： 新工具给出了一个一致的故事。无论吸烟量是增加还是减少，它都显示大约三分之二的效应是直接的，三分之一是间接的（通过 BMI 介导）。数字也完美地相加了：从 20 增加到 40 的效应，正好等于从 20 到 30 以及从 30 到 40 的效应之和。

总结

本文指出，旧的测量“直接”和“间接”原因的方法在数学上是有缺陷的，因为它会产生取决于提问方式的不同且矛盾的结果。作者提出了一种新的“累积”方法，将处理（如吸烟或剂量）视为一条连续的路径。通过累加这条路径上的微小步骤，新方法提供了一种稳定、逻辑严密且不自相矛盾的方式，来理解处理是如何通过中介变量影响结果的。

技术摘要：用于因果中介分析的累积自然直接与间接效应

问题陈述
因果中介分析旨在将处理变量 $X$ 对结局变量 $Y$ 的总效应（TE）分解为通过中介变量 $M$ 的直接路径和间接路径。标准框架依赖于自然直接效应（NDE）和自然间接效应（NIE）。虽然总效应（TE）满足两个对于具有可解释性的因果效应至关重要的基本代数性质——反对称性（skew-symmetry，即反转处理对比会反转效应的符号）和加性（additivity，即相邻区间上的效应之和保持一致）——但标准的 NDE 和 NIE 通常无法满足这些性质。

作者证明了这种失效会导致“悖论式解释”。具体而言：

缺乏反对称性： 直接效应和间接效应的相对贡献会根据处理对比的方向（例如， $X=x''$ 对 $X=x'$ 与 $X=x'$ 对 $X=x''$ ）而发生变化。这可能导致仅仅通过改变参考点，就会得出关于效应是中介还是直接的矛盾结论。
缺乏加性： 大区间上的总效应分解并不一定等于子区间分解之和。这使得在不同处理水平之间连贯地解释中介机制变得困难。

这些问题在存在处理与中介交互作用的模型（例如带有交互项的线性模型）中尤为显著，因为在这种情况下，标准的分解无法与直观的路径解释保持一致。

方法论
为了解决这些结构性限制，本文提出了能够保持反对称性和加性的新效应度量方法。该方法分为两种设定：连续处理变量和序数处理变量。

连续处理变量（CNDE 和 CNIE）：
- 局部分解： 作者并非直接对全局对比进行分解，而是引入了局部总效应（LTE）的局部分解，其中 LTE 定义为导数 $E[\partial_x Y_x]$ 。在可微性和连续性的假设下，LTE 可以加性地分解为局部自然直接效应（LNDE）和局部自然间接效应（LNIE）。
- 累积积分： 新的度量——累积自然直接效应（CNDE）和累积自然间接效应（CNIE），被定义为沿处理路径从 $x'$ 到 $x''$ 的 LNDE 和 LNIE 的积分。
- 核心区别： 与 NDE/NIE 不同，CNDE/CNIE 积分的是局部无穷小效应，其中处理水平和参考中介值都会沿着路径演变，而 NDE/NIE 在积分时会将其中一个参数固定在端点处。
- 识别： 在标准的序列可忽略性和正则性条件下，CNDE 和 CNIE 可以通过观测数据推导出的条件期望和密度的积分进行识别。
序数处理变量（离散模拟）：
- 由于离散变量的导数未定义，作者通过对有序处理水平之间的有限步对比进行求和来定义离散模拟。
- CNDE-O 和 CNIE-O： 这些是通过对相邻水平上的标准 NDE 和 NIE 进行求和而构建的。虽然它们在单调序列上满足加性，但由于底层的 NDE/NIE 不满足反对称性，因此它们不满足反对称性。
- 对称版本（S-NDE, S-NIE, S-CNDE-O, S-CNIE-O）： 为了在序数处理变量中恢复反对称性，作者提出通过对 NDE 和 NIE 的前向和后向端点评估进行平均。由此产生的 S-CNDE-O 和 S-CNIE-O 既满足反对称性，也满足受限加性（适用于单调三元组）。

主要贡献

识别结构性缺陷： 本文正式指出，NDE 和 NIE 无法满足反对称性和加性，这会导致中介分析中的悖论式解释，尤其是在存在交互作用时。
新的效应度量：
- 对于连续处理变量，引入了 CNDE 和 CNIE，它们提供了 TE 的路径分解，对于任何非参数模型都满足反对称性和加性。
- 对于序数处理变量，开发了 S-CNDE-O 和 S-CNIE-O，利用对称版本的 NDE/NIE 来保持这些结构属性。
理论保证： 本文建立了分解定理，证明总效应（TE）可以表示为所提议的直接效应和间接效应之和（例如，$TE = CNDE + CNIE$），并提供了在标准因果假设（序列可忽略性）下的识别结果。
实证说明： 通过使用研究吸烟对 BMI 介导的心率影响的真实数据集（Framingham 心脏研究），作者展示了标准 NDE/NIE 估计值表现出了预期的悖论（例如，仅仅通过翻转处理对比，效应大小和比例就会发生剧烈变化）。相比之下，提出的 CNDE 和 S-CNDE-O 度量提供了连贯、具有加性且方向不变的分解。

结果
在实证应用中，标准 NDE 和 NIE 估计值显示出显著的不对称性；例如，将处理对比从（20 到 40 支香烟）反转为（40 到 20 支香烟），NDE 估计值分别为 0.955 和 -0.363，NIE 估计值分别为 0.161 和 0.431。这违反了间接效应比例应保持一致的直觉预期。此外，子区间（20→30 和 30→40）上的间接效应之和并不等于全区间（20→40）上的间接效应，违反了加性。

所提出的度量（CNDE, CNIE, S-CNDE-O, S-CNIE-O）解决了这些问题。累积度量的估计值在对比反转时，其量级几乎相同但符号相反（满足反对称性），且子区间上的效应之和精确等于全区间的效应（满足加性）。这提供了一种一致的解释：对于 20–40 的对比，效应被分解为一个中度的正向直接成分和一个微小的负向间接成分，这一模式在不同子区间内保持稳定。

意义
本文认为，虽然 NDE 和 NIE 是有效的因果量，但它们缺乏基本的代数属性，这使得解释变得复杂，并在实践中可能导致误导性的结论。所提出的框架提供了一个原则性的替代方案，确保了效应分解的结构连贯性。通过保持反对称性和加性，新的度量（CNDE/CNIE 及其序数对应物）为理解中介机制提供了一个更直观、更稳定的基础，特别是在存在交互作用的连续或序数处理变量设定中。作者指出，这项工作强调了结构属性在效应分解中的重要性，并建议在需要基于路径的解释时应优先使用这些度量。文章最后确定了未来的研究方向，包括将这些度量扩展到存在未观测混杂因素的情境（使用工具变量或敏感性分析）以及处理多个中介变量的情况。

问题所在：“矛盾”的尺子

解决方案：一种新的“累积”尺子

为什么这个新尺子更好

现实世界测试：吸烟研究

总结

技术摘要：用于因果中介分析的累积自然直接与间接效应

类似论文