Mar, 2022
树形线性因果模型中的识别
Identification in Tree-shaped Linear Structural Causal Models
Benito van der Zander, Marcel Wienöbst, Markus Bläser, Maciej Liśkiewicz
TL;DR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。
Abstract
linear structural equation models represent direct causal effects as directed
edges and confounding factors as bidirected edges. An open problem is to
identify the →
发现论文,激发创造
DirectLiNGAM: 一种学习线性非高斯结构方程模型的直接方法
本文介绍了一种基于非高斯性的新的、无需迭代算法参数即可估计因果排序和连接强度的方法,该方法能够在少量的步骤内保证求解正确,能够处理连续变量之间的因果关系。
Jan, 2011
关于在存在隐变量和选择偏差时识别总效应的研究
本文提出基于可识别因子模型的新的图形可识别性标准,以解决存在隐变量和选择偏差情况下,总效应识别问题。该标准可用于识别观察研究中的总效应,并为因子模型的识别条件提供了新的视角。
Jun, 2012
从因果图总结中确定直接影响的可辨识性
本文介绍了一个完整的可识别性结果,该结果表征了所有情况,其中从总结因果图中直接效应可以图形化识别,并提供了两个可靠的有限调整集,可以用来估计直接效应。
Jun, 2023
反馈模型的有向循环图形表示
该研究使用有向无环图 (DAG) 表示随机变量之间的条件独立关系,证明了非递归结构方程模型能够通过有向循环图表示条件独立误差,并推导出满足条件独立约束的充分条件以及非线性系统的变量在相关分布中条件独立的条件。
Feb, 2013
线性非高斯循环模型的局部因果发现
本研究介绍了一种使用线性非高斯模型的广义的、统一的局部因果发现方法,无论是循环还是非循环。我们将独立成分分析的应用从全局上下文扩展到独立子空间分析,能够从目标变量的马尔科夫毯中准确识别等效的局部有向结构和因果强度。对于特殊的非循环场景,我们还提出了一种基于回归的替代方法。我们的可识别性结果在合成和真实数据集上得到了实证验证。
Mar, 2024
带有局部搜索的混合全局因果发现
在观测数据中进行因果发现是一项具有挑战性的任务,本研究提出了一种新颖的混合方法,结合局部因果子结构,通过引入拓扑排序算法和非参数约束算法,在线性和非线性设置中实现了全局因果推断,并在合成数据中进行了验证。
May, 2024