本文主要关注于观察研究中因果模型的最大方向性任务，旨在最大化定向无向边，以便表示相同的 Markov 等效 DAGs。作者提出了两种新的方法来扩展 PDAG，旨在简单和实用，从而更快地计算最大定向。

Feb, 2023

本文提出了一种新方法 —— 称作直接因果子句（DCC）来表述所有类型的因果背景知识，分析因果背景知识的一致性、等价性，任何因果背景知识集合都可分解成一个因果 MPDAG 和一个最小剩余 DCC 集合，并提供了用于检查一致性、等价性和查找分解的多项式算法。最后，作者们还发现，因果效应的可鉴定性仅取决于分解后的 MPDAG。

Jul, 2022

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

本研究提出了半马尔可夫模型的因子化准则，该准则等同于（自然扩展的）d - 分离给出的全局马尔可夫性质，以表示由具有潜在变量的 DAG 模型诱导的观察边际的条件独立结构。

Jun, 2014

通过利用部分因果顺序，本文提出了一种通用的估计框架来学习有向无环图的结构，并提供了低维和高维问题的高效估计算法。

Mar, 2024

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

本文提出一个关于因果模型的条件，用于从图形化因果模型中识别出不同类型的建模方法并对总因果效应进行变量调整，此条件具有必要性和充分性。

Jul, 2015

本文新增一套足以构建所有最大祖先图的马尔科夫等价类的公共尾巴箭头的定向规则，并提供了一组定向规则，用于识别马尔科夫等价类的公共性，特别是对于因果推断的实用性。

Jun, 2012

本研究研究了有向无环图在表示条件独立关系方面的作用，提出 DAG 可以用来推断条件独立关系并可以比其他准则发现更多合法的独立关系。此外，研究还表明 DAG 所显示的依赖关系是相一致的。

Mar, 2013

使用分层背景知识建立的 MPDAG 限制了 DAG 的等价类，简化了因果效应估计中的计算，同时提高了信息量。

Jun, 2023