什么是因果中介分析（Causal Mediation Analysis）？一种拆解处理效应作用路径的方法
因果中介分析（Causal Mediation Analysis）是在潜在结果框架下，把处理对结果的总效应拆分为直接效应与经由中介变量传导的中介效应的方法。arXiv 论文 2306.07918 指出，多数既有方法假设中介变量是一维且可观测的，并提出基于可识别变分自编码器（iVAE）的框架，以处理多维且只能间接观测的中介变量。
因果中介分析（Causal Mediation Analysis，CMA）是一类在潜在结果框架（potential outcome framework）下使用的方法，其目标是把一个处理（treatment）对结果的总效应拆解为直接效应与经由中介变量（mediator）传导的中介效应。它要解决的问题是：当我们观察到某个处理改变了某个结果时，究竟有多少改变是绕过中介、直接发生的，又有多少是通过中介变量这条路径发生的，从而帮助识别处理效应背后的作用机制。
为什么重要
在许多科学应用中，研究者关心的不只是「处理有没有效果」，而是「效果是怎么产生的」。arXiv 论文 2306.07918 在摘要中把这一点表述为：因果中介分析在潜在结果框架内把处理的总效应分解为直接效应与中介效应，这对于识别处理效应背后的机制很重要。
论文给出的一个具体场景是神经科学与精神药理学：研究者可能想弄清大脑活动或结构的变化如何中介抗抑郁药物对行为的影响，但实际能获取的往往只是电生理或脑成像测量，而不是中介变量本身。也就是说，真正想研究的中介量没有被直接观测到，手头只有与它相关的测量。
论文同时指出，截至该文发表时，大多数因果中介分析方法都假设中介变量是一维且可观测的。这一假设把上述真实场景过度简化了：中介量既可能是多维的，也可能只能被间接观测。这一落差正是该论文试图填补的空白。
工作机制
按照论文的表述，其提出的框架建立在可识别变分自编码器（identifiable variational autoencoder，iVAE）架构之上，用于处理复杂且只能间接观测的中介变量。可以把该框架的核心做法拆成以下几个要点：
- 以潜在变量刻画中介。 框架不要求中介变量被直接测量，而是把它当作潜在变量，通过与之相关的观测数据来推断。
- 借助 iVAE 建立可识别性。 论文证明，使用所提出的方法时，观测变量与潜在变量上的真实联合分布是可识别的（identifiable）。可识别性是这类潜变量方法能否支撑因果结论的前提。
- 学习解耦表示。 论文称该框架能够捕捉间接观测中介变量的解耦表示（disentangled representation），即把潜在中介的不同方面分离到不同的表示维度上。
- 估计直接效应与中介效应。 在得到中介的表示之后，框架进一步给出直接效应与中介效应的估计。
需要说明的是，上述内容是论文作者对其方法的描述与主张，属于该篇论文的结论，而非该领域的统一共识。论文报告在合成与半合成实验中得到了较准确的效果估计，并将其视为该方法在真实应用中具有潜在用途的证据；这些实验结论同样只代表作者的报告。
典型例子
论文中出现的典型应用场景是药物与大脑测量：研究者希望识别大脑活动或结构的变化如何中介抗抑郁药物对行为的影响，但只能获得电生理或脑成像测量。在这一场景里，中介变量（大脑活动或结构的变化）没有被直接观测，观测到的是与它相关的影像与电生理数据，而且这类中介量天然是多维的，与「一维且可观测」的传统假设不符。
在验证层面，论文使用的是合成（synthetic）与半合成（semi-synthetic）实验，而不是真实临床试验数据。因此，这些实验说明的是方法在受控生成数据上的表现，不能直接等同于在真实世界数据上的效果。
边界与常见误解
它不是相关性分解。 因果中介分析在潜在结果框架下定义直接效应与中介效应，其结论依赖因果假设；仅靠统计上的相关结构或路径系数，并不能自动获得因果解释。
它不等于「中介可观测」。 论文明确指出，多数既有方法假设中介变量一维且可观测。若把这一假设当作普遍事实，就会误判方法的适用范围；该论文的出发点恰恰是放松这一假设。
可识别性有前提。 论文证明的是在其设定下真实联合分布可识别，这一结论依附于 iVAE 架构及其假设条件，不能外推为任意中介分析场景都自动可识别。
实验证据有限。 论文的证据来自合成与半合成实验，作者将其表述为「潜在用途」的证据，而非在真实应用中已验证的结论。把这类实验结果当作实际部署效果，是一种常见误读。
代价与复杂度。 引入变分自编码器式的潜变量建模，意味着方法比传统的一维可观测中介分析更复杂，需要额外的模型设定与训练过程；论文并未在摘要中给出计算开销或失败情形的量化说明。