跳转至

Mediation Analysis with Multiple Mediators Subject to Missing Not at Random

作者: Yanfei Jin, Shanshan Luo, Xueli Wang, Zhi Geng
主题: 因果推断
相关性: 9/10
链接: https://arxiv.org/abs/2607.27669

一、领域脉络与小综述

这个方向是什么

这个子方向要解决的根本问题是：在因果中介分析中，当多个中介变量存在非随机缺失（MNAR）时，如何从观测数据中识别和估计自然直接效应（NDE）和自然间接效应（NIE）。当前成熟度较低——现有中介分析方法几乎都假设中介变量完全观测或满足随机缺失（MAR），而实际数据（如大型健康调查）中，中介变量的缺失往往与未观测的自身值有关（MNAR），这会导致严重偏倚。本文试图填补这一空白。

发展脉络

奠基工作： - Rubin (1976)：将缺失机制分类为MCAR、MAR、MNAR，并证明在MAR下，满足一定条件时缺失机制可被忽略。这是所有缺失数据处理的理论起点。 - Pearl (2001)：在非参数结构因果模型中首次定义了自然直接效应和间接效应，为因果中介分析提供了反事实框架。 - Imai, Keele & Tingley (2010) 和 Imai, Keele & Yamamoto (2010)：建立了统一的中介分析框架，在序贯可忽略性假设下给出了平均因果中介效应的非参数识别结果，并提出了敏感性分析方法。

主要进展： - 单中介到多中介的扩展：VanderWeele & Vansteelandt (2014) 和 Daniel et al. (2015) 将中介分析扩展到多个中介，讨论了路径特定效应的定义和识别，但都假设中介变量完全观测或满足MAR。 - 多中介的估计方法：Taguri et al. (2018) 处理了非有序多中介；Xia & Chan (2022) 发展了分解公式和多重稳健估计；Zhou (2022) 和 Chen & Lin (2025) 研究了有序多中介下的路径特定效应。这些工作均未系统处理MNAR。 - MNAR下的识别策略：三类主流方法——基于外部信息（工具变量：Yang et al., 2014; Wang et al., 2014；影子变量：Miao & Tchetgen Tchetgen, 2016）、基于分布假设（正态混合模型：Miao, Ding & Geng, 2016；自删失模型：Li et al., 2023）、基于图模型（Mohan & Pearl, 2021）。但这些方法主要针对缺失结果或协变量，而非中介变量。 - 中介分析中的缺失数据处理：Li & Zhou (2017) 研究了结局缺失下的中介效应识别；Huber & Solovyeva (2020) 考虑了样本选择和结局损耗，但依赖MAR或工具变量假设；Zuo et al. (2025) 研究了中介和结局同时MNAR下的识别，但仅针对单中介。

当前frontier与本文位置： - Shan, Li & Ai (2026) 研究了混淆变量MNAR下的中介分析，提出了广义影子变量框架，建立了渐近正态性和局部效率，但未处理多个中介的联合缺失。 - Dashti et al. (2025) 评估了多中介下多重插补方法的表现，但基于MAR假设。 - Mhasawade & Chunara (2024) 提出了MNAR下中介效应可迁移性的敏感性分析框架，但侧重于稳健性评估而非反事实框架下的识别。 - 本文：在上述工作的基础上，首次系统研究了多个平行中介变量在MNAR下的因果中介效应识别与估计，提出了四种逐步放宽的MNAR机制，并在不同机制下建立了非参数或参数可识别条件。

子线索聚类

  1. 因果中介分析的理论基础（Pearl, 2001; Imai et al., 2010a,b）：定义自然直接/间接效应，建立序贯可忽略性等识别假设。
  2. 多中介的扩展（VanderWeele & Vansteelandt, 2014; Daniel et al., 2015; Taguri et al., 2018; Zhou, 2022; Chen & Lin, 2025）：将中介分析从单中介扩展到多中介（有序/非有序），讨论路径特定效应的定义、识别和估计。
  3. MNAR下的识别与估计（Miao, Ding & Geng, 2016; Miao & Tchetgen Tchetgen, 2016; Li et al., 2023; Mohan & Pearl, 2021）：发展在MNAR下识别目标参数的方法，包括影子变量、工具变量、分布假设、图模型等。
  4. 中介分析中的缺失数据处理（Li & Zhou, 2017; Huber & Solovyeva, 2020; Zuo et al., 2025; Shan, Li & Ai, 2026; Dashti et al., 2025; Mhasawade & Chunara, 2024）：将缺失数据方法（特别是MNAR）引入中介分析，但大多局限于单中介、特定缺失结构或MAR假设。

这个方向在追问的核心问题

  1. 识别问题：在MNAR下，自然直接效应和间接效应是否可识别？需要什么条件？
  2. 估计问题：如何基于识别结果构造一致且高效的估计量？
  3. 模型选择：在多个可能的MNAR机制中，如何选择最符合数据的模型？
  4. 敏感性分析：当识别假设（如序贯可忽略性、缺失机制假设）被违反时，结论有多稳健？

已知瓶颈：MNAR下的识别通常需要强假设（如工具变量、影子变量、参数模型），这些假设难以从数据验证；多个中介的联合缺失使得识别问题更加复杂，因为缺失机制可能相互依赖。

⚠️ 作者的 framing

作者的说法：作者将缺口frame为"现有中介分析方法几乎都假设完全观测或MAR，而实际数据中中介变量的缺失往往是MNAR的，这会导致严重偏倚。本文首次系统研究了多个平行中介在MNAR下的识别与估计问题，填补了这一空白。"

被淡化或回避的竞争路线： - 影子变量方法（Miao & Tchetgen Tchetgen, 2016）：本文在引言中提及，但未将其作为主要竞争路线进行深入比较。影子变量方法在单变量MNAR下非常强大，但扩展到多中介时可能面临维度灾难和识别条件难以验证的问题。 - 多重插补（MI）：本文在模拟中将其作为baseline，但未讨论在MNAR下MI的偏差来源和可能的修正方法（如基于MNAR模型的多重插补）。 - Shan, Li & Ai (2026) 的广义影子变量框架：本文引用并承认其贡献，但指出其"主要处理混淆变量的非可忽略缺失，未考虑多个中介的联合缺失"。这实际上是一个重要的竞争路线——如果影子变量方法可以扩展到多中介，本文的贡献可能会被部分覆盖。

什么明显该被引/该存在、却没出现在intro里？ - 高维中介分析：当中介变量数量很大时，本文的识别条件（如秩条件）可能难以满足。相关文献（如高维中介分析、变量选择方法）未被引用。 - 半参数效率理论：本文在估计部分仅使用了EM算法，未讨论半参数效率界或高效估计。Davidian (2022) 被引用，但仅作为缺失数据半参数推断的一般参考文献，未深入讨论本文估计量的效率性质。 - 敏感性分析：本文在讨论部分提到"未来工作应发展敏感性分析框架"，但未引用已有的中介分析敏感性分析文献（如Imai et al., 2010b; Tchetgen & Shpitser, 2012）。

张力

未见明显对立引用。各被引工作之间在假设和结论上基本一致，差异主要在于处理的具体问题（单中介 vs 多中介、MAR vs MNAR、有序 vs 非有序）和采用的方法（识别策略 vs 估计方法 vs 敏感性分析）。

二、最核心、最简单的例子 / 数学问题

第一步：符号、模型、可观测数据交代清楚

符号： - \(T\)：二元处理变量（\(T=1\) 处理组，\(T=0\) 对照组）。可观测。 - \(Y\)：结局变量（可离散可连续）。可观测。 - \(X\)：预处理协变量向量。可观测。 - \(M_1, M_2\)：两个平行中介变量（本文假设它们之间无因果顺序）。部分可观测（存在缺失）。 - \(R_1, R_2\)：缺失指示变量（\(R_i=1\) 表示 \(M_i\) 被观测，\(R_i=0\) 表示缺失）。可观测。 - \(M_i(t)\)：在 \(T=t\) 下的潜在中介值。不可观测（反事实）。 - \(Y(t, m_1, m_2)\)：在 \(T=t\) 且 \(M_1=m_1, M_2=m_2\) 下的潜在结局。不可观测。 - \(Y\{1, M_1(0), M_2(0)\}\)：嵌套反事实结局（处理组但中介取对照值）。不可观测。

模型： - 数据生成机制：由非参数结构因果模型（NPSEM）描述，满足一致性、组成性假设，以及序贯可忽略性（Assumptions 1-4）： - \(T \perp\!\!\!\perp Y(t,m_1,m_2) \mid X\)（无处理-结局混杂） - \((M_1(t), M_2(t)) \perp\!\!\!\perp Y(t,m_1,m_2) \mid (X, T=t)\)（无中介-结局混杂） - \(T \perp\!\!\!\perp (M_1(t), M_2(t)) \mid X\)（无处理-中介混杂） - 跨世界独立性：\(Y(t,m_1,m_2) \perp\!\!\!\perp (M_1(t'), M_2(t'')) \mid X\) 且 \(M_1(t') \perp\!\!\!\perp M_2(t'') \mid X\) - 缺失机制：由四种逐步放宽的MNAR机制描述（见下文），核心是 \(R_i\) 的条件独立性假设。 - 已知：处理分配机制（随机实验或条件可忽略）、序贯可忽略性假设。 - 要估的对象：自然间接效应（NIE）、自然直接效应（NDE），以及它们的分解。

可观测数据：每个个体可观测到 \((T, X, Y, R_1, R_2, R_1 M_1, R_2 M_2)\)。即：处理、协变量、结局总是观测到；中介 \(M_i\) 仅当 \(R_i=1\) 时被观测到。不可观测的是缺失的中介值 \(M_i\)（当 \(R_i=0\) 时）以及所有反事实量。

第二步：最小内核

最简特例：所有变量均为二元（\(T, M_1, M_2, Y, X \in \{0,1\}\)），且缺失机制为最简单的MNAR Mechanism 1： - \(R_1 \perp\!\!\!\perp (T, Y, M_2, R_2) \mid (M_1, X)\) - \(R_2 \perp\!\!\!\perp (T, Y, M_1, R_1) \mid (M_2, X)\)

即：\(M_1\) 的缺失仅依赖于 \(M_1\) 自身和 \(X\)，\(M_2\) 的缺失仅依赖于 \(M_2\) 自身和 \(X\)，且两个缺失过程条件独立。

在这个特例下，核心问题退化为：如何从观测数据中恢复联合分布 \(P(Y, M_1, M_2 \mid T, X)\)？因为一旦恢复了这个联合分布，通过 Theorem 1 的mediation formula就可以计算所有NIE和NDE。

为什么难：由于 \(M_1\) 和 \(M_2\) 都有缺失，且缺失依赖于自身值（MNAR），我们不能直接用完整观测个案来估计 \(P(Y, M_1, M_2 \mid T, X)\)——完整个案的选择性会导致偏倚。

本文的关键想法：利用缺失机制的条件独立性和可观测数据的矩条件来识别缺失的分布。具体地，对于二元变量，Theorem 2 的识别策略如下：

  1. 定义可观测的联合概率：\(P^{(11)}_{m_{1i}m_{2j}y_k|t,x} = P(R_1=1, R_2=1, M_1=m_{1i}, M_2=m_{2j}, Y=y_k \mid T=t, X=x)\)。这是从数据中可以直接估计的（因为 \(R_1=R_2=1\) 的个案中所有变量都观测到）。

  2. 构造矩阵：\(\Theta_1(t,x) = \left( \sum_{m_2} P^{(11)}_{m_{1i}m_{2}y_k|t,x} \right)_{k,i}\)，这是一个 \(K \times I\) 矩阵（\(K\) 是 \(Y\) 的取值个数，\(I\) 是 \(M_1\) 的取值个数）。类似地，\(\Theta_2(t,x) = \left( \sum_{m_1} P^{(11)}_{m_{1}m_{2j}y_k|t,x} \right)_{k,j}\) 是 \(K \times J\) 矩阵。

  3. 关键代数关系：在Mechanism 1下，可以证明：

  4. \(\Theta_1(t,x) = \text{diag}\{P(R_1=1 \mid M_1=m_{1i}, X=x)\} \times P(Y, M_1 \mid T=t, X=x)\)
  5. 其中 \(P(Y, M_1 \mid T=t, X=x)\) 是边际化掉 \(M_2\) 后的目标分布。

  6. 类似地，\(\Theta_2(t,x)\) 与 \(P(Y, M_2 \mid T=t, X=x)\) 有关。

  7. 识别条件：如果 \(\Theta_1(t,x)\) 和 \(\Theta_2(t,x)\) 都是列满秩的（秩条件：\(\text{rank}(\Theta_1)=I\), \(\text{rank}(\Theta_2)=J\)），且缺失概率为正（\(P(R_i=1 \mid M_i, X) > 0\)），则可以从 \(\Theta_1\) 和 \(\Theta_2\) 中唯一地恢复出 \(P(Y, M_1 \mid T, X)\) 和 \(P(Y, M_2 \mid T, X)\)，进而恢复完整的 \(P(Y, M_1, M_2 \mid T, X)\)。

直觉：秩条件本质上要求 \(Y\) 的取值个数至少与 \(M_i\) 的取值个数一样多（\(K \geq I, K \geq J\)），且 \(Y\) 与 \(M_i\) 之间存在足够强的关联，使得 \(M_i\) 的缺失概率可以通过 \(Y\) 的分布变化来"反推"。这类似于工具变量识别中的"相关性"条件——\(Y\) 在这里扮演了"影子变量"的角色，帮助识别缺失机制。

在这个特例下，证明的骨架： 1. 写出 \(P^{(11)}_{m_{1i}m_{2j}y_k|t,x}\) 在Mechanism 1下的分解（利用条件独立性）。 2. 对 \(m_2\) 求和，得到 \(\Theta_1\) 的表达式，发现它等于一个对角矩阵（缺失概率）乘以 \(P(Y, M_1 \mid T, X)\)。 3. 利用秩条件，从 \(\Theta_1\) 中解出缺失概率和 \(P(Y, M_1 \mid T, X)\)（通过矩阵求逆或广义逆）。 4. 类似地处理 \(\Theta_2\) 得到 \(P(Y, M_2 \mid T, X)\)。 5. 结合 \(P(Y, M_1 \mid T, X)\) 和 \(P(Y, M_2 \mid T, X)\)，并利用 \(M_1 \perp\!\!\!\perp M_2 \mid (T, X)\)（由跨世界独立性假设保证），恢复完整的 \(P(Y, M_1, M_2 \mid T, X)\)。

论文的一般情形：Mechanism 2-4 只是在这个最小内核上增加缺失机制的依赖变量（如 \(T\)、\(Y\)），识别策略的核心思想（利用可观测数据的矩条件和秩条件/参数模型来反推缺失机制）保持不变，但代数推导更复杂。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在多个平行中介变量存在非随机缺失（MNAR）时，如何识别和估计因果中介效应（自然直接效应NDE和自然间接效应NIE）。
  2. 核心工具/方法：提出了四种逐步放宽的MNAR机制（从缺失仅依赖于中介自身和协变量，到缺失依赖于中介、处理、结局和协变量），在Mechanism 1-3下利用秩条件/完备性条件建立非参数可识别性，在Mechanism 4下利用逻辑回归参数模型建立可识别性，并基于EM算法进行估计。
  3. 主要结论：在适当的条件（秩条件、完备性条件、参数模型假设）下，即使多个中介变量存在MNAR缺失，自然直接效应和间接效应仍然可以非参数或参数地识别；模拟实验和NHANES数据应用验证了方法的有效性。

关键设定与假设

完整设定（在第二节最小记号基础上补充）： - 变量：\(T\) 二元处理，\(Y\) 结局（可离散可连续），\(X\) 协变量向量，\(M_1, M_2\) 两个平行中介（假设无因果顺序），\(R_1, R_2\) 缺失指示。 - 因果假设：Assumptions 1-4（序贯可忽略性 + 跨世界独立性），这是经典中介分析的标准假设。 - 缺失机制假设：四种MNAR机制（Mechanism 1-4），核心是 \(R_i\) 的条件独立性： - Mechanism 1: \(R_i \perp\!\!\!\perp (T, Y, M_j, R_j) \mid (M_i, X)\) - Mechanism 2: \(R_i \perp\!\!\!\perp (Y, M_j, R_j) \mid (M_i, T, X)\) - Mechanism 3: \(R_i \perp\!\!\!\perp (T, M_j, R_j) \mid (M_i, X, Y)\) - Mechanism 4: \(R_i \perp\!\!\!\perp (M_j, R_j) \mid (M_i, Y, T, X)\) - 额外假设： - Mechanism 1-3：秩条件（\(\text{rank}(\Theta_1)=I\), \(\text{rank}(\Theta_2)=J\)，要求 \(K \geq I, K \geq J\)）或完备性条件（连续情形），以及正性条件（\(P(R_i=1 \mid \cdot) > 0\)）。 - Mechanism 4：参数模型假设（Assumption 5，逻辑回归形式的缺失机制），以及唯一公共正根条件。

相比已有文献的放宽/强化： - 放宽：相比VanderWeele & Vansteelandt (2014)、Daniel et al. (2015) 等假设完全观测或MAR的工作，本文允许中介变量存在MNAR缺失。 - 强化：相比Zuo et al. (2025) 处理单中介MNAR，本文扩展到多中介；但相比Shan, Li & Ai (2026) 的影子变量框架，本文对缺失机制的结构假设更强（如Mechanism 1-3要求缺失仅依赖于特定变量集，Mechanism 4要求参数模型）。

主要结果

Theorem 2 (Mechanism 1 下的非参数可识别性)： - 陈述：在Mechanism 1下，如果正性条件和秩条件（\(\text{rank}(\Theta_1)=I\), \(\text{rank}(\Theta_2)=J\)）成立，则 \(P(Y, M_1, M_2 \mid T, X)\) 非参数可识别，进而NDE和NIE可识别。 - 直觉：秩条件确保可以从可观测的 \(\Theta_1\) 和 \(\Theta_2\) 中唯一地解出缺失概率和目标分布。 - 必要条件：\(Y\) 的取值个数 \(K\) 至少与 \(M_1\) 的取值个数 \(I\) 和 \(M_2\) 的取值个数 \(J\) 一样大（\(K \geq I, K \geq J\)），且 \(Y\) 与 \(M_i\) 之间存在足够强的关联。 - 解决的技术难点：如何从可观测的联合概率（仅完整个案）中分离出缺失机制和目标分布。

Theorem 3 (Mechanism 2 下的非参数可识别性)： - 与Theorem 2类似，但 \(\Theta_1\) 和 \(\Theta_2\) 的定义中需要条件在 \(T\) 上（因为缺失机制依赖于 \(T\)）。识别条件相同（正性 + 秩条件）。

Theorem 4 (Mechanism 3 下的非参数可识别性)： - 陈述：在Mechanism 3下，如果 \(M_1, M_2\) 是二元的，且正性条件和相关性条件（\(T \not\perp\!\!\!\perp M_1 \mid (X,Y)\), \(T \not\perp\!\!\!\perp M_2 \mid (X,Y)\)）成立，则 \(P(Y, M_1, M_2 \mid T, X)\) 非参数可识别。 - 直觉：当缺失依赖于 \(Y\) 时，秩条件不再适用。但利用 \(T\) 作为"工具变量"（\(T\) 影响 \(M_i\) 但不直接影响缺失，给定 \(M_i, X, Y\)），可以通过 \(T\) 与 \(M_i\) 的关联来识别缺失机制。 - 必要条件：\(T\) 必须与 \(M_i\) 条件相关（给定 \(X, Y\)），即处理对中介有显著影响。

Theorem 5 (Mechanism 4 下的参数可识别性)： - 陈述：在Mechanism 4和Assumption 5（逻辑回归缺失模型）下，如果所有变量都是二元的，且正性条件和唯一公共正根条件成立，则 \(P(Y, M_1, M_2 \mid T, X)\) 可识别。 - 直觉：在参数模型下，缺失机制由有限个参数刻画。通过构造可观测数据的矩条件，可以得到关于缺失模型参数（如 \(\alpha_{M_1}\)）的二次方程。如果两个独立的二次方程有唯一的公共正根，则参数被识别。 - 必要条件：逻辑回归模型正确指定，且二次方程有唯一公共正根（否则参数可能不可识别或部分可识别）。

证明路线与技术技巧

整体路线（以Mechanism 1为例）： 1. 写出可观测联合概率的分解：\(P^{(11)}_{m_{1i}m_{2j}y_k|t,x} = P(R_1=1 \mid M_1=m_{1i}, X=x) \times P(R_2=1 \mid M_2=m_{2j}, X=x) \times P(Y=y_k, M_1=m_{1i}, M_2=m_{2j} \mid T=t, X=x)\)。这一步利用了Mechanism 1的条件独立性（\(R_1 \perp\!\!\!\perp (T, Y, M_2, R_2) \mid (M_1, X)\) 等）和 \(R_1, R_2\) 的条件独立性。 2. 边际化掉一个中介：对 \(m_2\) 求和，得到 \(\Theta_1(t,x) = \left( \sum_{m_2} P^{(11)}_{m_{1i}m_{2}y_k|t,x} \right)_{k,i} = \text{diag}\{P(R_1=1 \mid M_1=m_{1i}, X=x)\} \times P(Y, M_1 \mid T=t, X=x)\)。这里 \(P(Y, M_1 \mid T=t, X=x)\) 是 \(K \times I\) 矩阵。 3. 利用秩条件求解：由于 \(\text{rank}(\Theta_1)=I\)，且 \(\Theta_1\) 可观测，可以通过矩阵分解（如奇异值分解或广义逆）唯一地恢复出对角矩阵（缺失概率）和 \(P(Y, M_1 \mid T, X)\)。具体地，如果 \(\Theta_1 = D \times A\)，其中 \(D\) 是对角矩阵，\(A\) 是列满秩矩阵，则 \(D\) 和 \(A\) 在适当的归一化条件下是唯一的。 4. 类似处理 \(M_2\)：对 \(m_1\) 求和得到 \(\Theta_2\)，类似地恢复 \(P(R_2=1 \mid M_2, X)\) 和 \(P(Y, M_2 \mid T, X)\)。 5. 恢复完整联合分布：利用跨世界独立性假设 \(M_1 \perp\!\!\!\perp M_2 \mid (T, X)\)，有 \(P(Y, M_1, M_2 \mid T, X) = P(Y \mid M_1, M_2, T, X) \times P(M_1 \mid T, X) \times P(M_2 \mid T, X)\)。从 \(P(Y, M_1 \mid T, X)\) 和 \(P(Y, M_2 \mid T, X)\) 可以恢复出 \(P(M_1 \mid T, X)\)、\(P(M_2 \mid T, X)\) 和 \(P(Y \mid M_1, M_2, T, X)\)（需要额外的假设或计算）。

关键跳跃点： - 从可观测联合概率到缺失概率的分离：这是最核心的步骤。Mechanism 1-3 通过边际化掉一个中介，将问题转化为一个"矩阵分解"问题——可观测矩阵 \(\Theta\) 等于一个对角矩阵（缺失概率）乘以一个目标矩阵。秩条件确保这种分解是唯一的。 - Mechanism 3 下的识别：当缺失依赖于 \(Y\) 时，上述矩阵分解方法失效（因为 \(Y\) 出现在缺失机制中，边际化后无法分离）。作者转而利用 \(T\) 作为"工具变量"，通过 \(T\) 与 \(M_i\) 的关联来识别。这需要 \(T\) 对 \(M_i\) 有显著影响（相关性条件）。 - Mechanism 4 下的参数识别：在参数模型下，识别转化为求解关于缺失模型参数的二次方程组。关键跳跃是构造出两组独立的二次方程（通过选择不同的 \((T, X, Y)\) 组合），使得它们的公共正根唯一确定参数。

技术技巧点名： - 矩阵分解/秩条件：用于Mechanism 1-2的非参数识别，将识别问题转化为矩阵的列满秩分解。 - 工具变量思想：用于Mechanism 3，利用 \(T\) 作为"工具"来识别缺失机制。 - 参数模型+矩条件：用于Mechanism 4，通过逻辑回归模型将识别转化为求解二次方程组。 - EM算法：用于估计阶段，处理缺失数据下的最大似然估计。

真实例子与应用

数据：NHANES（美国国家健康与营养调查），分析样本为2,443名成年人。 - 处理 \(T\)：肥胖（BMI≥30 kg/m²） - 结局 \(Y\)：肾功能损伤（尿白蛋白/肌酐比≥30 mg/g） - 中介 \(M_1\)：高血压（收缩压≥130 mmHg或舒张压≥80 mmHg） - 中介 \(M_2\)：全身性炎症（白细胞计数>10×10³ cells/µL） - 协变量 \(X\)：年龄、性别、家庭收入贫困比

方法应用： 1. 模型选择：通过似然比检验（LRT）比较四种MNAR机制，发现Mechanism 2（缺失依赖于 \(M_i, T, X\)）最符合数据（p=0.006 vs Mechanism 1）。 2. 估计：在Mechanism 2下，分别用CC、MICE（MAR假设）和本文提出的MNAR-EM方法估计因果效应，通过Bootstrap（B=500）构建置信区间。

结果： - NIE = 0.0080 (95% CI: [0.0034, 0.0134])：肥胖通过高血压和炎症的中介作用使肾功能损伤风险增加约0.80个百分点。 - NDE = -0.0060 (95% CI: [-0.0279, 0.0153])：无充分证据支持肥胖对肾功能损伤的直接效应。 - NIEM1 = 0.0045 (95% CI: [0.0017, 0.0078])：高血压路径显著。 - NIEM2 = 0.0024 (95% CI: [-0.0011, 0.0064])：炎症路径不显著但点估计为正。 - MI = 0.0011 (95% CI: [0.0002, 0.0021])：中介交互效应显著，提示两条路径存在协同作用。

这个例子想说明： - 验证理论：展示了在真实数据中如何选择MNAR机制并进行估计。 - 展示相对baseline的优势：虽然点估计与CC和MICE接近，但作者声称MNAR-EM的置信区间更集中（"the confidence intervals obtained by the proposed method are generally more concentrated"），暗示更有效地利用了观测信息。但需注意，这个优势在数值上并不明显（见表2，三种方法的置信区间宽度相近）。

🔎 结论是否比证明窄

  1. Mechanism 3 的识别结果（Theorem 4）：定理陈述要求 \(M_1, M_2\) 是二元的，但作者在Remark中未明确说明是否可以扩展到多值或连续情形。论文的"Key words and phrases"和摘要中声称"nonparametric identification"，但Theorem 4实际上只对二元中介成立。这是一个证明比结论窄的例子——作者在引言和摘要中使用了"nonparametric identification"的泛称，但具体定理的条件比这个泛称暗示的更严格。

  2. Mechanism 4 的识别结果（Theorem 5）：定理要求所有变量（\(M_1, M_2, Y, X\)）都是二元的，且缺失机制服从逻辑回归模型。这远非"非参数"识别，而是高度参数化的。作者在定理陈述中明确写了"Under Mechanism 4 and Assumption 5"，但在摘要和结论中未充分强调这种参数依赖性。

  3. 跨世界独立性假设（Assumption 4）：这是整个识别框架的基础，但作者在讨论部分承认"cannot be verified from observed data"。这意味着即使缺失机制被正确指定，如果跨世界独立性不成立，识别结果仍然无效。这是一个结论依赖于不可检验假设的情况。

  4. 秩条件的可验证性：Theorem 2-3 的秩条件涉及 \(\Theta_1\) 和 \(\Theta_2\)，这些矩阵是从可观测数据（完整个案）估计的，因此秩条件在原则上是可检验的。但作者未讨论当样本量有限时，秩检验的统计性质（如检验功效、对接近奇异的敏感性）。

四、开放问题

  1. 半参数效率界与高效估计：本文仅使用了EM算法进行估计，未推导半参数效率界或构造高效估计量。扎根于：论文在估计部分仅提到"基于逆概率加权或回归的估计程序"（摘要），未涉及效率理论。可查：Davidian (2022) 的综述中关于缺失数据半参数效率界的方法，以及Tchetgen & Shpitser (2012) 在中介分析中的效率界结果。

  2. 敏感性分析框架：作者在讨论部分提到"Future work should develop sensitivity analysis frameworks to characterize the robustness of mediation effect estimates over a class of admissible missingness mechanisms"。扎根于：Section 7 "Discussion" 的最后一段。可查：Mhasawade & Chunara (2024) 的敏感性分析框架，以及Imai et al. (2010b) 的中介分析敏感性分析方法。

  3. 有序多中介的MNAR扩展：本文假设中介是平行的（无因果顺序），但实际中中介往往存在时序或因果顺序。作者在讨论部分提到"the decomposition results for MI can be viewed as a building block for ordered mediation models"。扎根于：Section 7 "Discussion" 的第三段。可查：Zhou (2022) 和 Chen & Lin (2025) 关于有序多中介的工作，看他们的识别条件是否可以与本文的MNAR框架结合。

  4. 高维中介的MNAR识别：当中介数量很大时，本文的识别条件（如秩条件、参数模型）可能难以满足。可查：高维中介分析文献（如基于变量选择的方法），以及高维缺失数据文献（如高维影子变量方法）。这是一个自然但未被本文触及的扩展方向。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论