本文阐述了使用结构方程建模原因的方法，提出变量和其值的选择在因果关系中起着重要作用，进一步研究了什么样的模型是合适的模型，特别是在考虑默认值时需要注意的问题。

Jun, 2011

本研究主要在于探究具有潜在共变量和环路的结构因果模型，并证明其遵守特定可解性条件下的便利性质，这一工作将结构因果模型在具有周期的情况下进行了推广，从而提供了一般性的统计因果建模的基础。

Nov, 2016

本文综述了针对结构因果模型（SCMs）在不同级别抽象间建立关系的问题上已提出的解决方案，着重于 SCMs 之间的映射的形式特性，并强调了可在其上实施此特性的不同层次（结构、分布）。此理解不仅允许区分具有更多意识的因果抽象提案，而且还允许针对特定应用程序的相关抽象形式定制抽象定义。

Jul, 2022

本文提供了关于结构因果模型和普通微分方程之间关系的新视角，并展示了如何使用动态结构因果模型模拟普通微分方程在非常量干预下的渐近行为。

Aug, 2016

本文介绍了如何在制造领域中通过先前知识和过程数据的结合使用结构方程模型来推导因果关系，与现有应用程序相比，我们不假定线性关系，从而得到更丰富的结果。

Oct, 2022

超级学习方程建模是一种集成机器学习超级学习器的路径建模技术，能够提供一致和无偏的因果效应估计，并在处理非线性关系时比结构方程模型（SEM）表现更好。

Aug, 2023

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

本文研究线性结构方程模型，提出一种利用缺失的双向边识别模型因果参数的算法，并展示了如何组合多个缺失的环来获得唯一解。

Mar, 2022

我们提出了一种基于提升的方法来从观察数据中学习加法结构方程模型 (SEMs)，重点研究确定变量之间因果顺序的理论方面。我们引入了一族基于任意回归技术的得分函数，并建立了一些必要条件，以一致地优选真实的因果顺序。我们的分析揭示了提前停止的提升在满足这些条件的同时，提供了一个一致的因果顺序得分函数。为了解决高维数据集带来的挑战，我们通过分量梯度下降在加法 SEMs 空间进行了适应。我们的模拟研究验证了我们在低维度下的理论结果，并证明我们的高维适应与最先进的方法相竞争。此外，它对超参数的选择表现出鲁棒性，使得该方法易于调整。

Jan, 2024

本文介绍了一系列干预措施，以帮助代理人在不同抽象水平之间进行权衡，探究其中信息的一致性和损失，并提出了用于评估和学习因果抽象的算法。最后，我们通过实证表明了不同措施和算法选择可能导致不同的抽象。

May, 2023