Mediation analysis is an important statistical tool in many research fields. Its aim is to investigate the mechanism along the causal pathway between an exposure and an outcome. Particularly, the Sobel test and joint significance test are two popular statistical methods for testing mediation effects in practice. However, the drawback of both mediation testing methods is arising from the conservative type I error, which has reduced their powers and imposed some restrictions on their popularity and usefulness. As a matter of fact, this limitation is long-standing for the two methods in the literature. To fill this gap, we propose two novel data-adaptive tests for mediation effects, namely the adaptive Sobel test and the adaptive joint significance test, which have significant improvements over traditional Sobel and joint significance tests. Meanwhile, the proposed method is user-friendly without involving complicated procedures. The explicit expressions for size and power are derived, which ensure the theoretical rationality of our method. Furthermore, we extend the proposed adaptive Sobel and adaptive joint significance tests for multiple mediators with family-wise error rate (FWER) control. Extensive simulations are conducted to evaluate the performance of our mediation testing procedure. Finally, we illustrate the usefulness of our method by analysing three real-world datasets with continuous, binary and time-to-event outcomes, respectively.


翻译:中介分析是许多研究领域中重要的统计工具。其目的是研究暴露和结果之间的因果路径机制。特别地,Sobel检验和联合显著性检验是两种常用的统计方法用于在实践中检验中介效应。然而,这两种中介检验方法的不足之处在于保守型I型错误,这减弱了它们的功效,对它们的流行度和实用性施加了一定的限制。事实上,这种限制在文献中存在已久。为了填补这一空白,我们提出了两种新颖的自适应中介效应检验方法,即自适应Sobel检验和自适应联合显著性检验,相较于传统的Sobel和联合显著性检验方法有显著改进。同时,所提出的方法易于使用,不涉及复杂的程序。我们推导了尺寸和功效的明确表达式,确保了我们方法的理论合理性。此外,我们还将自适应Sobel和自适应联合显著性检验方法扩展到多个中介变量,进行了家族普通错误率控制。进行了大量的模拟评估我们的检验程序的性能。最后,我们通过分析连续、二元和时间至事件结果的三个实际数据集,展示了我们方法的实用性。

0
下载
关闭预览

相关内容

【ETH博士论文】贝叶斯深度学习,241页pdf
专知会员服务
125+阅读 · 2022年1月16日
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
强化学习三篇论文 避免遗忘等
CreateAMind
19+阅读 · 2019年5月24日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
【推荐】自然语言处理(NLP)指南
机器学习研究会
35+阅读 · 2017年11月17日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
【推荐】SVM实例教程
机器学习研究会
17+阅读 · 2017年8月26日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
VIP会员
相关资讯
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
强化学习三篇论文 避免遗忘等
CreateAMind
19+阅读 · 2019年5月24日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
【推荐】自然语言处理(NLP)指南
机器学习研究会
35+阅读 · 2017年11月17日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
【推荐】SVM实例教程
机器学习研究会
17+阅读 · 2017年8月26日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员