使用摘要因果图从观测数据中确定总效应的充分图形条件，即使存在隐藏的混杂和没有足够的变量集进行调整，也有助于从观测数据中理解和估计因果效应的持续努力。
Jun, 2024
论文探讨了使用非实验数据和因果假设对行动效应进行评估的方法。提供了一种系统识别变量集之间的因果关系的程序，条件是一些变量被视为未观测到。可识别的条件因果效应通过观测到的联合分布来表示。
Jul, 2012
研究了寻找因果关系的可靠程序，即使存在潜在变量和选择偏差，通过测量变量之间的依赖关系，可以得出从一个变量到另一个变量的因果路径以及不存在这样的因果路径的可靠条件。
Feb, 2013
通过观察性时间序列研究干预的总效应的可识别性问题，我们考虑了系统的因果图的两种抽象：扩展摘要因果图和摘要因果图。我们证明总效应在扩展摘要因果图中始终是可识别的，并提供了摘要因果图中可识别性的必要和充分图形条件。此外，我们提供了可调整的集合，可在总效应可识别时估计总效应。
Oct, 2023
本文研究线性结构方程模型，提出一种利用缺失的双向边识别模型因果参数的算法，并展示了如何组合多个缺失的环来获得唯一解。
Mar, 2022
本文考虑了允许潜变量存在的 s-ID 问题的拓展，通过将经典的图形定义扩展为新的对应关系来应对潜变量在亚群中存在时引发的挑战，并提出了一种针对具有潜变量的 s-ID 问题的可靠算法。
May, 2024
本文介绍了一个完整的可识别性结果，该结果表征了所有情况，其中从总结因果图中直接效应可以图形化识别，并提供了两个可靠的有限调整集，可以用来估计直接效应。
Jun, 2023
本文提出了针对单个处理和单个结果涉及种类繁多的隐藏变量有向无环图的人口水平因果效应的 influence function-based 估计器以及重要类别的隐藏变量 DAG，该类别在处理满足一个简单图形标准的情况下，生成调整和前门函数，同时还提供了统计模型的必要和充分条件。
Mar, 2020
研究在具有潜在变量的线性非高斯无环模型 (LiNGAM) 中因果效应的通用可识别性问题。针对已知先验的因果图和未知因果图两种情况，对观察变量之间可识别的直接或总因果效应提供了完整的图形特征化，并提出了有效的算法来验证图形条件。最后，提出了重建独立成分分析 (RICA) 算法的改进版本，该算法可从观测数据中估计因果效应，并通过实验证明了所提方法估计因果效应的有效性。
该研究提出了一种基于变分推断的方法，以同时识别观察变量中的潜在非混杂因素，并为处理效应估计提供更好的数据学习。
Jan, 2020