本篇论文关注于在未测量变量存在的情况下行动效果的概率评估。我们展示了单例变量 X 和一组变量 Y 之间的因果效应的辨识可以系统地完成，其时间复杂度多项式。当可辨识因果效应时，可以获得一个封闭形式的表达式，用于描述行动达到指定目标或一组目标的概率。
Feb, 2013
本文研究了有向图表示的因果假设和以概率分布形式给出的统计知识对行为影响的阐明。在特定的情况下，我们感兴趣的是预测在一组变量上执行操作并随后对另一组变量进行测量所产生的条件分布。我们提供了一种必要且充分的图形条件，可用于唯一计算出这些分布的情况，同时还提供了一种算法。此外，我们使用我们的结果证明了对于相同的识别问题，do-calculus [Pearl, 1995] 是完备的。
Jun, 2012
我们研究因果效应的识别，主要包括通过知道因果图中某些变量是由其父变量决定的来实现可识别性，以及通过排除某些功能性变量观察来降低所需的观测数据量。
Mar, 2024
本文提出基于可识别因子模型的新的图形可识别性标准，以解决存在隐变量和选择偏差情况下，总效应识别问题。该标准可用于识别观察研究中的总效应，并为因子模型的识别条件提供了新的视角。
预测未见干预的效果是数据科学中的一个基本研究问题。本文采用了部分祖先图（Partial Ancestral Graph）作为输入，提供了一种可以在数据驱动环境下计算因果效应界限的系统算法。
Nov, 2023
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
通过概率分布和因果关系特征，提出了一种计算效率高的因果结构学习方法，并在合成和真实数据集上进行了验证。
Nov, 2022
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
本研究提出了一种利用干预演算法来推测协变量对响应参数的因果效应的算法，并运用这个方法去确定变量的重要性。
Oct, 2008
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