超级会员免费看
本文介绍了贝叶斯核多元回归-因果中介分析（BKMR-CMA）方法，用于估计复杂混合物的直接、间接和总效应。通过causalbkmr R包，展示如何进行模型拟合、反事实预测，以及计算TE、NDE、NIE等效应。BKMR-CMA能处理非线性和交互作用，适应复杂数据场景，且具有内在多重比较控制和变量选择能力。
GAP
混合物的单个元素，暴露混合物和介质的元素以及任何非线性之间的所有真实存在的相互作用需要包括在介质和结果的模型中，以获得无偏估计。随着多维暴露尺寸的增加，使用当前的方法来获得中介效应的无偏估计变得非常困难。
本算法解决的问题
使用BKMR进行中介分析时，可以通过将核心中的可能的非线性和相互作用考虑在内，估计潜在的暴露混合物的直接效应（NDE）、间接效应（NIE）和总效应（CDE）。此外，使用调解者和结果的后验预测分布来预测反事实，并提出一个估计调解效果的算法。
BKMR-CMA概念
BKMR-CMA 是一种结合了贝叶斯核多元回归（Bayesian Kernel Machine Regression）和中介分析（Causal Mediation Analysis）的方法。它的中文全称为“贝叶斯核多元回归-因果中介分析”，英文全称为“Bayesian Kernel Machine Regression-Causal Mediation Analysis”。简称为“BKMR-CMA”。
BKMR-CMA分析中感兴趣的效应
总效应（Total Effect, TE）：这是暴露因素对结果变量的整体影响，包括直接路径和间接路径的影
订阅专栏 解锁全文
扫一扫
5116
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
