我们提出了一个适用于四类因果图模型：定向无环图 (DAGs)、最大先祖图 (MAGs)、完成部分定向无环图 (CPDAGs) 和部分先祖图 (PAGs) 的变量调整图形标准，该标准统一了一个大的图形类的变量调整。此外，我们定义了一个明确的集合，如果有满足我们的标准的集合，则满足我们的标准。我们还提供了高效算法来构建所有满足我们标准的集合，并在 R 包 dagitty 中实现。最后，我们讨论了我们的标准与其他调整标准之间的关系，并为 DAG 的调整标准提供了新的完整性和有效性证明。

Jun, 2016

本研究提出了一种基于图形的标准来比较不同有效调整集合提供的渐近方差，同时介绍一种简单的减少方差的修剪程序和提供最优渐近方差的有效调整集合的图形特征，并展示这些结果的实际应用性。

Jul, 2019

本文提出了一种基于祖先图的算法框架，用于有效地测试，构建和枚举 $m$- 分隔符，从而较高效地进行非实验数据中因果效应的识别，同时还证明了通过协变调整进行因果效应识别与 $m$ 分离在有向无环图及最大祖先图中的一个子图的规约，并利用这些结果，得出一种刻画所有调整集以及在存在潜在混淆因素的多元曝光及结果的期望因果效应识别的所有最小和最小调整集的构造性条件，为这些问题的特殊情况提供了现有解决方案的扩展。

Feb, 2018

研究了在因果推断中如何解决因果关系难以识别的问题，提出了协变量调整的图形标准并推导了一些相关的推论。

Mar, 2012

我们为最大定向部分有向无环图（MPDAGs）开发了必要且充分的因果识别标准，该标准可被视为 Robins（1986）g - 公式的推广。我们进一步获得了截断因式分解公式（Pearl，2009）的推广，并将我们的标准与 Perković等人的广义调整标准（2017）进行了比较，后者对于因果识别是充分的，但不是必要的。

Oct, 2019

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

评估因果发现算法学习到的图形是困难的：两个图形之间不同的边的数量不反映它们在提供因果效应的标识公式方面的差异。我们介绍了一种开发图形之间因果距离的框架，其中包括有向无环图的结构干预距离作为一种特殊情况。我们利用这个框架开发了改进的基于调整的距离以及对已完成的部分有向无环图和因果顺序的扩展。我们开发了多项式时间可达性算法以高效地计算距离。在我们的包 gadjid（开源网址如上所示），我们提供了距离的实现；它们的速度比结构干预距离快几个数量级，从而为可扩展到以前禁止的图形规模的因果发现提供了成功度量。

Feb, 2024

本文通过提供可测试的条件独立性语句，展示了使用类前门调整来计算因果效应的方法，并证明该方法适用于在有限结构信息的情况下不知道图形的情况下。

Jun, 2023

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

基于进化驱动的有向无回路图的马尔可夫属性，本文提出了一种针对横断面观测数据的通用因果推断框架 (GCI)，能准确识别关键混杂变量并提供相应的识别算法，从而有效改善观察研究中因果推断的精确性、稳定性和可解释性。

Apr, 2024