辛普森悖论中,随机变量与共因变量的关系建立在共同原因的条件下,而非辖权化。对于一个最小的共同原因,应选择辛普森悖论的条件分布选项,而不是辖权化。对于三元(未观察到)的共同原因,辛普森悖论的三个选项都可能存在,需根据共同原因的先验信息选择正确的选项。
Mar, 2024
针对使用观测数据确定两个离散随机变量之间的因果方向的问题,我们在最一般的函数模型条件下,在未观测到的外源变量上作出简化假设,使用 Rényi 熵来量化其简单性。我们的主要结果是,如果该外源变量在正确的方向上的 H0(熵)熵较低,那么它在错误方向上的 H0 熵一定较高。我们提出了一种基于最小熵耦合问题的贪心算法,用于找到具有最小熵的外源变量,并将其应用于因果推断问题。
Nov, 2016
本文提出了一种探测变量之间潜在共同原因的因果发现算法,并将其应用于两个有向因果发现算法的实验中。结果表明,该算法可以探测到已知的共同原因,并保留原始算法在区分有向因果关系方面的性能
Oct, 2019
本文将双变量因果发现算法用于解决多数据集间有重叠变量时的一致因果结构学习问题,算法表现在合成和真实数据上都优于之前的方法。
本文讨论探讨了一种新的方法,可以通过观察数据中隐藏的共同原因进行推断和检验因果关系,而不是直接基于假设。
Jan, 2018
通过因果推断方法可以推断未被观察到的联合分布的性质,进一步定义了一种从已观察到的变量中引入因果模型来推断未观察到变量的统计性质的学习场景,并且通过推导因果模型的 VC 维,得出了预测的泛化界限。
May, 2023
研究了寻找因果关系的可靠程序,即使存在潜在变量和选择偏差,通过测量变量之间的依赖关系,可以得出从一个变量到另一个变量的因果路径以及不存在这样的因果路径的可靠条件。
Feb, 2013
应用贝叶斯框架构建了一个新的因果模型,利用可识别因果方向的贝叶斯模型选择方法,在柔性模型类别中解决了数据集中的因果关系判断问题并且在各种生成数据假设下的性能优异。
Jun, 2023
通过创造量子情况下的类 - Reichenbach 原则,研究了量子中的因果关系及其对于概率分布的制约形式,并推广到形式化的量子因果模型。
Sep, 2016
提出了一种方法,用于推断两个观测随机变量之间存在一个潜在的共同原因(“混淆变量”)。方法假设混淆变量的两个影响是混淆变量的(可能是非线性的)函数加上独立的加性噪声,探讨了在什么条件下从这些影响的联合分布中实现(对混淆变量进行任意重新参数化)的模型可识别性。提出了一种实际的从有限独立同分布采样得到的影响中估计混淆变量的方法,并且在模拟和真实世界数据上说明该方法的有效性。
May, 2012