在子群体中的因果推断涉及确定干预对更大总体中特定子群体的因果效应。我们提出并倡导一种子群体中的因果推断问题（简称 s-ID），其中我们仅能访问目标子群体的观测数据（与整个总体相比）。现有的子群体推断问题基于所给数据分布源于整个总体的前提，因此无法解决 s-ID 问题。为了填补这一空白，我们提供了在因果图中必须满足的充分和必要条件，以确定从该子群体的观测分布中识别出子群体的因果效应。在给定这些条件的情况下，我们提出了一个对 s-ID 问题的完备的和可靠的算法。

Sep, 2023

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

本文主要研究的问题是通过 $do$-calculus 方法推断任意条件因果效应的可识别性问题，特别将正性假设显式引入，提出了相应的 sound and complete 算法，为 Lee et al. [2020] 和 Correa et al. [2021] 的研究工作进行了扩展，并不局限于观测分布 $P (V)$。

Jun, 2023

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

本论文提出了一种基于无模型的算法，使用代理变量方法识别从子采样时间序列中提取出的整个因果结构，能够非常好的处理未观测到的时间步问题，具有较好的理论优势并获得了实验结果的支持。

May, 2023

本文提出了一种非常通用的方法来学习因果模型的结构，该方法基于从任何给定的重叠的被动观察或实验性数据集获得的 d - 分离约束。此方法允许直接循环（反馈回路）和潜在变量的存在。我们的方法基于因果路径的逻辑表示，允许将相当通用的背景知识集成，推理是使用布尔满足（SAT）求解器执行的。该过程是完整的，因为它用尽了关于是否可以确定存在或不存在任何给定边缘的可用信息，否则返回 “未知”。许多现有的基于约束的因果发现算法可以看作是特殊情况，适用于一个或多个限制性假设的情况。模拟说明了这些假设对发现的影响以及现有算法的扩展能力。

Sep, 2013

本文提出了一种解决通过在对更容易操纵的目标变量 Z 上进行实验，来估计对一组变量 X 进行干预的效果的方法，通过提供 z - 可识别性的图形必要和充分条件以及使用我们的结果来证明 Z - 可识别性的完备性。

Oct, 2012

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

ID 算法在图形因果模型中解决了识别干预分布 p (Y | do (a)) 的问题，并且已经以多种方式进行了表述。然而文献中提出的 'hedge criterion'（第 3 个推论）作为 ID 算法无法识别输入的图形特征是错误的，本文概述了 ID 算法的现代演示，讨论了反例的简单例子，并提供了一些 ID 算法无法识别其输入分布的图形特征。

Jul, 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