在决策理论基础上，我们提出了因果关系的定义，并为因果推理提供了有原则的基础。我们的定义不同于传统的因果关系视角，因为因果断言可能随着可用决策集的变化而变化。我们认为这种方法增强了因果关系的清晰度。此外，我们还研究了有向无环图中因果关系的编码，我们描述了一个特殊的影响图类，即标准形式下的影响图，并展示了它与 Pearl's 的因果关系表示法的关系。最后，我们展示了标准形式如何促进反事实推理。

Dec, 1995

本文基于影响图的建模方法，提出了完整和部分影响图的概念，并介绍了一个算法来确定这些图是否被良好定义。

Jan, 2013

本文概述了决策论框架的统计因果关系，该框架适合于解决确定应用原因的效果的问题，并详细介绍了该方法，并与其他当前的公式进行了比较和对比，涵盖的主题和应用包括混淆，对待疗法的影响，工具变量和动态治疗策略。

May, 2014

本文提出基于 Causal Graphical Model 的 Causal Decision Problem 的求解方法，并结合 Pearl 的 Do-Calculus 及 Expected Utility 原理，提出一种在线决策制定程序，可学习环境因果模型，并展示与经典强化学习算法具有类似的性能。因此，本文旨在提供基于因果信息的决策制定程序的优化保证。

Feb, 2019

本文讲述了决策论统计因果关系（DT）在表示和解决因果问题中的奠基性数学和解释性，并旨在通过采用假设数据和问题之间的关系来理解何时以及如何利用外部数据来帮助解决决策问题，同时明确了支持 DT 方法应用所需的考虑因素，通过可交换性条件构建了所需的关系，并以意图治疗和干预治疗之间的区分为基础形成了 “可忽略性” 的实现条件，同时还展示了 DT 观点如何统一和阐明其他流行的统计因果性质的形式，包括潜在响应和有向无环图。

Apr, 2020

通过观察决策者的干预偏好，我们展示了可以理解和识别决策者的主观因果判断的可能性。通过使用因果模型，我们表示因果关系，其中世界由一组变量组成，通过方程式进行关联。我们证明，如果干预偏好关系满足某些公理（与关于反事实的标准公理相关），那么我们可以定义（i）一个因果模型，（ii）捕捉决策者对世界外部因素的不确定性的概率，以及（iii）与每个干预相关的预期效用，并且如果干预 A 的预期效用大于干预 B 的预期效用，则干预 A 优于干预 B。此外，我们还对因果模型的唯一性进行了描述。因此，我们的结果使建模者能够测试决策者的偏好是否与某个因果模型一致，并且从观察行为中确定因果判断。

Jan, 2024

通过机械因果模型，本文展示了如何表征和区分重要的决策理论，并生成了一个不同决策理论的分类法。

Jul, 2023

本文利用经典的统计测试方法，于大数据中设计出一种可扩展且自动化的因果关系探索方法，即基于具有因果解释的决策树分类方法，旨在解决因果关系的发现问题。

Aug, 2015

本文介绍了一种基于功能表示的因果独立的时间特征，可以将其应用于信念网络中以实现更高效的推理。

Feb, 2013

本文引入了字符串图表语言解释的因果模型框架，并呈现了其在方向无环图的应用以及如何作为单个数学对象来思考。通过引入具有 “复制 - 丢弃” 结构的对称膜范畴 (cd - 范畴) 中的随机映射、函数或通道，我们将单纯因果模型的概念推广为基于网络图的因果模型和泛函因果模型的定义，并对一般干预、开放式因果模型进行了讨论及定义。同时，本文还定义了马尔可夫条件、逆因果与反事实关系等概念，并设计了一个基于归一化框的条件推断方法诠释因果效应与反事实关系的可辨认性问题。该研究具有广阔的应用领域和教育意义。

Apr, 2023