R包CMAverse的cmest中介分析：参数设置差异与结果选择疑问

1. 不同方法的核心差异与结果分歧原因 #

两组参数对应的方法在效应估计逻辑和置信区间构建方式上有本质区别：

• estimation = "paramfunc" + inference = "delta"：
  • 效应估计：通过参数函数法直接计算PNIE——把中介模型和结局模型的估计参数代入理论公式，推导得到纯自然间接效应的值。
  • 置信区间：delta法依赖正态近似，用参数估计的方差协方差矩阵做泰勒展开，近似PNIE的方差，因此得到的置信区间是对称的，估计值位于区间中心。
• estimation = "imputation" + inference = "bootstrap"（boot.ci.type = "bca"）：
  • 效应估计：多重插补法通过模拟潜在的中介变量取值，直接基于潜在结果框架估计自然效应，更贴近因果效应的定义本质。
  • 置信区间：BCA（偏差校正加速）bootstrap通过重复抽样生成大量样本，计算每个样本的PNIE，再基于这些样本的实际分布构建区间。BCA会调整抽样分布的偏倚和分位数，因此区间可能不对称，估计值也不一定在中心。

结果差异的核心原因：

• 当PNIE的真实抽样分布偏态时，delta法的正态近似会失真，导致置信区间和显著性判断偏离实际；而bootstrap基于真实抽样分布，结果更贴合数据特征。
• 两种估计方法的模型假设敏感度不同：参数函数法高度依赖中介模型、结局模型的线性/正态性假设，一旦假设不满足，估计值会有偏差；插补法对模型假设的鲁棒性更强。

2. 不对称置信区间是否合理？ #

完全合理。
PNIE是多个模型参数的复合函数（比如可能涉及系数乘积、条件概率组合），其抽样分布本身就可能是偏态的——即使样本量达到800，单个复合效应的分布也未必满足正态性。delta法强行用对称区间拟合，反而可能掩盖真实的分布特征；而BCA bootstrap的不对称区间，恰恰反映了PNIE抽样分布的真实形态，是更可靠的表现。

3. 哪组结果更适合报告？ #

优先选择estimation = "imputation" + inference = "bootstrap"（BCA）的结果，理由如下：

• 插补法的估计逻辑更契合因果中介分析的潜在结果框架，对PNIE的定义还原更准确。
• BCA bootstrap不依赖正态假设，对偏态分布的适应性远优于delta法，置信区间的覆盖概率更可靠——即使样本量800，复合效应的正态近似前提仍可能不成立，bootstrap的结果更值得信任。
• Valeri和VanderWeele的建议并非仅针对小样本：对于PNIE这类复杂的因果效应，bootstrap的表现普遍优于delta法，因为delta法的泰勒展开近似在多参数组合的场景下容易产生偏差。

如果需要更严谨的呈现，可以同时报告两组结果，并说明差异来源（如delta法基于正态近似，bootstrap基于实际抽样分布），但核心结论建议以bootstrap结果为准，尤其是当两组结果的显著性出现分歧时。

内容的提问来源于stack exchange，提问作者Aline Abou Assi