Dec, 2012

关于带有隐藏变量的因果模型的可测试性推论

PDF
TL;DR本文提出了一种系统的方法来识别功能约束，从而有助于测试因果模型并从数据中推断出这样的模型。
发现论文，激发创造
  • 因果模型中带有潜在变量和工具变量的可测性

    本文提取了某些牵涉到未测量变量的因果模型，虽然在观测到的变量之间不会产生独立性约束，但仍然会暗示观测分布的不等式约束。利用一个通用公式推导出了这样的工具变量（instrumental variables），即直接影响某些变量但不影响所有变量的外生变量。可以借助此公式测试涉及工具变量的模型是否能够解释数据，或者反过来，确认给定变量是否可以视为工具变量。

    Feb, 2013

  • 关于利用生成模型进行观察性因果分析

    研究建议使用一种假设的生成模型进行观察数据的因果分析，该模型可以用于预测变量的值，但不足以推断因果关系。

    Jun, 2023

  • 在潜变量和选择偏差存在的情况下进行因果推断

    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

  • 具有约束条件的因果模型

    本文将标准因果模型扩展到允许变量设置上的约束，并定义了一个新的介入操作，这个操作与一个因果方程断开一个变量的关联。文中给出了扩展的一些实用例子，提供了一个具有约束的因果模型的完整公理化方法。

    Jan, 2023

  • 带有隐变量因果模型的顺序计划的概率评估

    研究了在存在未测量变量的情况下，具有若干并发或顺序行动的计划的概率评估，并建立了图形判据以识别只通过测量变量的被动观测就可以预测给定计划效果的情况。当满足该标准时，为计划实现指定目标的概率提供了一个闭合表达式。

    Feb, 2013

  • 贝叶斯模型选择进行因果发现

    应用贝叶斯框架构建了一个新的因果模型，利用可识别因果方向的贝叶斯模型选择方法，在柔性模型类别中解决了数据集中的因果关系判断问题并且在各种生成数据假设下的性能优异。

    Jun, 2023

  • 在功能依赖下识别因果效应

    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

  • 使用功能模型识别因果图

    本文研究了基于条件独立性的因果发现方法下的数据生成过程假设，提出了可以跨越线性函数关系的可识别的功能模型类 (IFMOCs) 来确定完整的因果图，并提供了实用的算法和理论实验支持。

    Feb, 2012

  • 识别条件因果效应

    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

  • 推断确定性因果关系

    对于两个变量间的因果关系推断，我们提出了一种新的方法，即在确定性（无噪声）情况下，利用函数的非对称性以及它和因变量的概率密度的独立性进行推断。我们还将其与信息几何联系在一起，在不同领域的实际数据集上获得了强有力的实证结果。

    Mar, 2012