因果性的概率：上下界与鉴别

Jan, 2013

Probabilities of Causation: Bounds and Identification

Jin Tian, Judea Pearl

TL;DR本文讨论在给定情境下估计一个事件是另一个事件的原因的概率，利用结构 - 语义定义的必需或充分因果关系的概率，我们展示了如何从实验和观察数据中获得这些数量的最佳约束，最小化了关于数据生成过程的假设，并从理论上得出了关于因果概率的严格边界，这些结果确定了如何在解决归因问题和决策相关问题中利用实证数据。

Abstract

This paper deals with the problem of estimating the probability that one event was a cause of another in a given scenario. Using structural-semantical definitions of the probabilities of necessary or sufficient causation (or both), we show how to optimally bound these quantities from d

probability estimation causation data analysis experimental studies observational studies

发现论文，激发创造

因果概率：观测数据的作用

本文讨论了在实践中如何改进用于现代决策的因果概率的界限，特别是在考虑到观测数据的情况下。研究者们定义并限定了三个二元概率，分别是 PNS，PS 和 PN，这些概率在确定性和必要性方面发挥着重要作用。研究主要使用观测和实验数据，探讨了这些数据的影响，以及如何将其应用于 Li 和 Pearl 定义的单位选择问题。

Oct, 2022

因果关系的概率：实验和观测样本的充分大小

本文针对决策问题，使用实验和观测数据推导出必要性和充分性（PNS）、充分性（PS）和必要性（PN）概率的尖锐边界。作者进一步提出了一种确定所需样本量的方法，并证明此样本量模拟稳定估计了 PNS 范围的界限。

Oct, 2022

从有限总体数据中学习因果概率

本文提出了一种机器学习模型，用于在仅知晓有限人口数据的情况下学习亚人口因果概率的边界，并通过模拟研究表明，该机器学习模型能够仅通过约 500 个有限人口数据来学习 32768 个亚人口的必要性和充分性边界。

Oct, 2022

合并数据集收紧因果概率界限

对于在临床、流行病学和公共政策应用中存在的具有不同治疗方案的外部数据集，提供一种在这种具有挑战性的情景中提供概率因果边界的符号化方法，这些边界适用于任意协变量和治疗的维度，并讨论了这些边界在现有文献中更紧的条件。

Oct, 2023

非二元治疗与效应的因果概率

本文提供了理论边界，以估算多价治疗和效应的因果概率，并使用模拟研究评估了这些边界对各种数据组合的信息性，以及对实际决策的指导作用。

Aug, 2022

因果数量的 Epsilon 可识别性

论文展示了如何在某些狭窄的限制边界内实现一些因果关系概率的部分可识别性，其中包括不可识别的因果效应和反事实概率，最后还将此应用到单位选择问题。

Jan, 2023

选择偏差下的边界反事实

本研究提出一种算法来解决因果分析中的选择偏差，并证明了尽管存在选择偏差，可用数据的似然函数是单峰的。该算法可以用于解决可识别和不可识别查询，并通过因果期望最大化方案计算可识别情况下的因果查询值，否则计算上下界。实验表明该方法是实际可行的，并提供了理论收敛特性。

Jul, 2022

从观测数据推断因果关系时考虑隐藏的共同原因

本文讨论探讨了一种新的方法，可以通过观察数据中隐藏的共同原因进行推断和检验因果关系，而不是直接基于假设。

Jan, 2018

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

基于外生性的因果关系判别

本研究提出了一种新的因果方向确定框架，利用非参数方法估计边际和条件分布，并提出了一种基于 bootstrap 的方法来测试外生条件，以避免结构约束。验证表明，该方法可用于合成数据和实际数据上的因果方向确定。

Apr, 2015