高维中介数据：基于贝叶斯推断的因果中介效应估计方法

摘要

该博客介绍一种基于贝叶斯推断的高维因果中介效应估计方法，适用于omics研究中的大量潜在中介变量分析。在贝叶斯框架下，利用连续收缩先验扩展了传统的因果中介分析技术，以处理高维数据。这种方法提高了全局中介分析的统计功效，并能有效地识别对路径中介效应有贡献的非零中介变量。此外，它有助于理解无活性中介变量的复合零情况结构

所需的识别假设

无测量混淆（unmeasured confounding）是指在分析因果效应时，假设没有未被观测到的变量能够同时影响暴露因素（例如，某种治疗或干预）和结果变量，从而导致估计的效应偏倚。在这个上下文中，假设(3) 表示对于暴露因素对所有中介变量的影响，不存在未测量的混淆变量。换句话说，没有未知的第三变量既影响暴露又影响中介变量。

时间顺序假设（temporal ordering assumption）是因果推理的基础，它要求暴露发生在中介变量之前，而中介变量又发生在结果之前。这确保了因果关系的方向性，即暴露导致中介变量的变化，接着中介变量的变化影响结果。在上述内容中，这一假设确保了暴露先于中介变量，中介变量再先于结果的发生，避免了反向因果关系或同时发生的误导。

条件模型，