The positivity assumption in causal mediation analyses? Checked!
本文通过将正向性回归树（PoRT）算法扩展到处理受控、自然及干预式中介效应，解决了因果中介分析中经常被忽视的正向性假设问题，并为通过 `port` R 包进行违规检测与讨论提供了一个实用的工具。
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
想象一下你是一名试图解开谜题的侦探：为什么某个特定的事件会发生？在科学世界中，这被称为因果推断。通常，侦探寻找的是简单的因果链：A导致了B。但生活很少如此直接。通常，A导致B是因为它首先导致了C，然后由C导致了B。这个中间步骤C被称为中介变量。例如，也许努力学习（A）能带来更好的成绩（B），是因为它提高了你的自信心（C）。为了证明这一点，科学家们使用了一个特殊的工具箱，叫做因果中介分析。
然而，这个工具箱有一个非常严格的规则，叫做正值性（positivity）。把它想象成一个做蛋糕的食谱。如果你想知道糖如何影响味道，你必须既有加了糖的蛋糕，也有没加糖的蛋糕。如果你手头的数据全是吃糖的人，你就无法神奇地猜出如果没有吃糖会发生什么。在科学中，“正值性”意味着对于研究中的每一种类型的人，他们都有可能经历各种可能的因果版本和中介版本。如果你的数据中某个特定群体从未经历过某种情况，那么数学逻辑就会崩溃，侦探也就无法解开谜题。问题在于，检查这条规则是否被破坏是非常困难的，尤其是当因果链中有多个步骤时。
就在这时，由亚瑟·查顿（Arthur Chatton）领导的一个研究小组提出了一个全新的、聪明的工具。他们意识到，虽然科学家们擅长检查简单因果关系中“糖”的规则是否被破坏，但他们往往会忘记检查更复杂的“糖引发自信心”这类链条。作者认为，如果不进行检查，许多研究可能是在凭空得出结论。为了解决这个问题，他们发明了一种名为 dePoRT（分解正值回归树）的新方法。
把 dePoRT 想象成一个超级智能的自动化“找不同”游戏。想象你有一大堆学生数据。你想知道童年暴力是否会导致约会暴力，是否是通过学生的宗教参与度或压力水平这一路径实现的。研究人员构建了一棵数字树，根据特征（如年龄、父母受教育程度或收入）将这堆学生数据不断拆分成越来越小的组。然后，它会检查每一个微小的组，看看：“我们这里是否有足够多经历过该诱因的人？我们这里是否有足够多经历过该中介变量的人？”
如果这棵树发现某个组中，比如只有2%的学生有高度的宗教参与度（而数学要求更多的人数才能确保准确），它就会将该组标记为“违规”。这就像是一个针对特定社区的红灯，告诉研究人员：“嘿，你不能信任针对这些特定人群的结果，因为数据缺失了。”
这篇论文不仅发明了这个工具，还利用涉及6,224名大学生的真实数据对其进行了测试。他们发现，虽然整体研究看起来没问题，但特定的子群体——例如具有特定父母受教育程度和年龄组合的学生——缺少了证明暴力与压力或宗教之间联系所需的必要数据。在某些情况下，这意味着研究人员必须改变策略。他们不再尝试计算“自然效应”（即如果一个学生的压力水平神奇地发生变化会发生什么），而是转向“干预效应”（即如果我们强行改变所有人的压力水平会发生什么）。这种转变使得即使在数据不完美的情况下，他们也能得到可靠的答案。
作者谨慎地指出，这并不是一个能修复损坏数据的魔杖。如果一个群体在结构上无法经历某种情况（例如，对于某个特定子群体来说，经历高压在物理上是不可能的），那么任何数学方法都无法修复。但对于那些仅仅是因为偶然导致数据缺失的情况（随机违规），dePoRT 能帮助科学家看清缺口究竟在哪里。通过使用这个工具，研究人员可以停止猜测，转而明确知道研究的哪些部分是稳固的，哪些部分是摇摆不定的。他们甚至已经将这个工具做成了免费且易于使用的 R 语言包提供给所有人，希望让整个因果中介领域变得更加诚实和透明。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。