MétaCan
Menu
Retour à la cohorte
Enregistrement W4412424131 · doi:10.1002/sim.70038

Natural Effects in the Presence of an Intermediate Confounder: Evaluation of Pragmatic Estimation Strategies With an Emphasis on the Relationship Between Natural and Interventional Effects

2025· article· en· W4412424131 sur OpenAlexafffund
Jesse Gervais, Geneviève Lefebvre, Erica E. M. Moodie

Notice bibliographique

RevueStatistics in Medicine · 2025
Typearticle
Langueen
DomaineMathematics
ThématiqueAdvanced Causal Inference Techniques
Établissements canadiensMcGill UniversityMcGill University Health CentreUniversité du Québec à Montréal
Organismes subventionnairesFonds de recherche du Québec – Nature et technologiesNatural Sciences and Engineering Research Council of CanadaFonds Québécois de la Recherche sur la Nature et les Technologies
Mots-clésEstimatorConfoundingOutcome (game theory)Natural (archaeology)EconometricsStatisticsMediationComputer scienceMathematicsBiology

Résumé

récupéré en direct d'OpenAlex

ABSTRACT Mediation analysis using the so‐called natural effects is an essential tool to uncover causal pathways between an exposure and an outcome. However, natural effects are not generally identified in the presence of an intermediate confounder (), a situation that arguably arises frequently in practice. Three pragmatic approaches can be used to estimate natural effects when such a confounder is present: Natural effects estimators that omit , natural effects estimators that consider as a pre‐exposure confounder, or interventional effects estimators. Interventional effects are analogous to natural effects, but remain identified when is present. The goal of this study was two‐fold: (1) to assess the extent to which natural and interventional estimands differ under a variety of data‐generating mechanisms with intermediate confounding and (2) using simulations, to investigate the corresponding performance of the three aforementioned strategies to estimate natural effects. In the continuous outcome case, using interventional effects estimators was found to be a better analytic strategy for estimating natural effects than using standard natural effects estimators when the interaction term between and in the outcome model was null or moderate in comparison to the other parameters. However, the performance of interventional effects declined as the ‐ interaction was increased. In the binary outcome case, the three estimation strategies yielded more similar results than in the continuous outcome case. The difference between the three analytic strategies is illustrated using data from the World Value Survey.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,106
score de la tête « metaresearch » (Gemma)0,384
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: Méthodes · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,894
Score d'incertitude au seuil0,563

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,1060,384
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,002
Communication savante0,0020,004
Science ouverte0,0020,004
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,093
Tête enseignante GPT0,476
Écart entre enseignants0,383 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeSimulation ou modélisation
DomaineMéthodes
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueStatistics in MedicineMême sujetAdvanced Causal Inference TechniquesTravaux en français237 207