Feb, 2018

因果图中的分离器和调整集：完备准则和算法框架

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 带有隐藏变量的图模型中因果效应的半参数推断

    本文提出了针对单个处理和单个结果涉及种类繁多的隐藏变量有向无环图的人口水平因果效应的influence function-based估计器以及重要类别的隐藏变量DAG，该类别在处理满足一个简单图形标准的情况下，生成调整和前门函数，同时还提供了统计模型的必要和充分条件。

    Mar, 2020

  • 部分干预因果模型

    该论文提出了一种基于单一世界干预图的因果推断方法，建立了一种允许特定变量干预的图模型，并提出了一种干预计算法则。

    Oct, 2021

  • 聚类DAG中的因果效应识别

    该研究介绍了一种叫做“集群有向无环图（Cluster DAGs）”的新型图形建模工具，其可以基于有限的先验知识提供变量之间关系的部分规范，从而缓解了在复杂、高维度领域中指定完全因果图的严格要求。在该图形模型下，本研究还开发了基于“Pearl's Causal Hierarchy”的各层级的变量集聚进行推理的方法，并验证了C-DAGs的有效性。

    Feb, 2022

  • 时间序列因果图的抽象总效应可辨识性

    通过观察性时间序列研究干预的总效应的可识别性问题，我们考虑了系统的因果图的两种抽象：扩展摘要因果图和摘要因果图。我们证明总效应在扩展摘要因果图中始终是可识别的，并提供了摘要因果图中可识别性的必要和充分图形条件。此外，我们提供了可调整的集合，可在总效应可识别时估计总效应。

    Oct, 2023

  • 朝着马尔科夫等价下界因果效应

    预测未见干预的效果是数据科学中的一个基本研究问题。本文采用了部分祖先图（Partial Ancestral Graph）作为输入，提供了一种可以在数据驱动环境下计算因果效应界限的系统算法。

    Nov, 2023

  • 潜在混杂因素下的LiNGAM模型中的因果效应识别

    研究在具有潜在变量的线性非高斯无环模型(LiNGAM)中因果效应的通用可识别性问题。针对已知先验的因果图和未知因果图两种情况，对观察变量之间可识别的直接或总因果效应提供了完整的图形特征化，并提出了有效的算法来验证图形条件。最后，提出了重建独立成分分析(RICA)算法的改进版本，该算法可从观测数据中估计因果效应，并通过实验证明了所提方法估计因果效应的有效性。

    Jun, 2024

  • 潜在混淆变量的总效应在总结性因果图中的可识别性：基于前门准则的扩展

    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

  • 在具有潜在混淆变量的摘要因果图中识别宏观条件独立性和宏观总效应

    该研究论文探讨了动态系统中因果关系的理解，并提出了简化的因果关系表示方法，摒弃了时间信息并集中于高层次因果结构，在此基础上研究了宏观查询和微观查询的条件独立性以及因果效应的鉴别方法。

    Jul, 2024

  • 具有隐藏变量的有向无环图中的平均因果效应估计：顺背门和前门标准的扩展

    本研究解决了在具有隐藏变量的有向无环图中，因果效应估计的有效性不足的问题。提出了一种新颖的一步校正插件和目标最小损失估计器，扩展了经典的顺背门和前门标准，结合了机器学习以最小化建模假设，同时保证了渐近线性、双重稳健性和效率。结果显示，所提估计器在实际应用中具备更好的根n一致性，为因果效应的精确估计提供了有力支持。

    Sep, 2024

  • 摘要因果图中的平均控制和自然微观直接效应

    本文解决了在摘要因果图中识别平均控制直接效应和平均自然直接效应的问题，这些图通常用于动态系统中，因循环和遗漏的时间信息而使因果推断变得复杂。研究提出了在存在隐藏混杂的情况下，识别这些效应的充分条件，并指出在无隐藏混杂的情境下，平均控制微观直接效应的条件也是必要的，强调了研究对复杂现实情况的处理意义。

    Oct, 2024