Do-Calculus 的再探讨
本文提出了 potential outcome calculus (po-calculus) 作为 Do-Calculus 的一种推广，用于能够包容更加复杂的嵌套反事实，从而得到了一个完整的算法，并在介入分析和算法公正的问题中解决了条件路径特定效应的识别问题。
Mar, 2019
本文使用范畴论方法对因果模型进行了分类处理，从 “纯因果” 的角度定义了因果独立 / 分离、因果条件等重要概念，并产生了一个核心部分的语法版本的 syntactic do-calculus 在所有因果模型中继承。
Apr, 2022
本文介绍了 Judea Pearl 在因果推断和统计学领域中的许多贡献，并阐述了 d 分离准则、do 演算和中介公式。文章还提出了一种关于潜在结果和事件树的早期因果模型，该模型饭后了 d 分离准则和 do 演算的简化，导致在有隐含变量的因果模型中，一个完整的识别算法的简单反事实的制定。
Aug, 2020
本文研究非实验数据中确定因果关系的图形准则，提出了 Pearl 的工作和 Huang 和 Valtorta 的算法，并证明了 Pearl 提出的基本 do-calculus 规则是完整的。
Jun, 2012
本文提出了 R 软件包 causaleffect 的实现，该软件包实现了 Shpitser 和 Pearl 提出的通过 do-calculus 规则和概率已知属性识别联合干预分布的算法，并通过案例展示了 causaleffect 的功能。
Jun, 2018
本文介绍了一种正式的表述方式 —— 选择图，用于表达有关感兴趣人群之间的差异和共性的知识，并利用这种表述来将可转移性问题归约为 do-calculus 中的符号推导。
Mar, 2015
该研究证明了 IOSCM 模型中的因果推理原则，包括调整标准和公式，从而使得能够在具有循环、潜在的混杂变量和选择偏差的情况下估算出条件因果效应，并扩展了 ID 算法以在这些模型中进行因果效应的识别。
Jan, 2019
本文提出了一种解决通过在对更容易操纵的目标变量 Z 上进行实验，来估计对一组变量 X 进行干预的效果的方法，通过提供 z - 可识别性的图形必要和充分条件以及使用我们的结果来证明 Z - 可识别性的完备性。
Oct, 2012