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

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

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

本文提出了一种新的方案，通过不需要强假设的方法，利用原因不变性原则来检验干预的因果效应，并给出了敏感性分析框架以克服这些方法中的违反非参数识别的假设的问题，从而使基于线性合成控制模型的因果推断更加精确可靠。

Jan, 2023

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

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

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

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

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