Causal Additive Models with Unobserved Causal Paths and Backdoor Paths
Shiga University（Shiga大学）；RIKEN（理化学研究所）；AIP（应用物理研究所）；Gakushuin University（早稻田大学）；The University of Osaka（大阪大学）
本文提出在存在未观测变量时，通过回归残差独立性和条件独立性新特征，识别因果方向的条件，并设计了一个完备的搜索算法。
2026-05-22 cs.LG stat.ME stat.ML
The Structurally Complex with Additive Parent Causality (SCARY) Dataset
RMIT University（皇家墨尔本理工大学）
本文构建包含40个场景、三种随机种子、两类加性因果机制且 Varsortability 为0.5的合成 SCARY 数据集，以支持更现实条件下的因果发现研究。
2023-04-27 cs.LG stat.ML
Towards Unsupervised Causal Representation Learning via Latent Additive Noise Model Causal Autoencoders
Nara Institute of Science and Technology（奈良科学技术大学）；Kyoto University（京都大学）；Ateneo de Manila University（马尼拉大学）
本文提出LANCA模型，通过加性噪声模型作为归纳偏置，实现无监督因果发现，优于现有方法在合成和真实环境中的表现。
2025-12-15 cs.LG stat.ML
Causal Identification with Additive Noise Models: Quantifying the Effect of Noise
University of Luxembourg（卢森堡大学）
近年来，人们对因果推断和因果学习进行了大量的研究。许多方法已被开发出来，以确定模型中的因果关系对，并已成功地应用于观测的现实世界的数据，以确定因果关系的方向。然而，在双变量的情况下，因果发现问题仍然具有挑战性。也允许处理双变量情况的一类这样的方法基于加性噪声模型（ANM）。不幸的是，这些方法的一个方面直到现在还没有得到太多的关注：不同的噪声水平对这些方法识别因果关系方向的能力有什么影响。这项工作的目的是弥合这一差距的实证研究的帮助。我们使用一个详尽的模型范围来测试回归与随后的独立性测试（RESIT），其中加性噪声的水平逐渐从原因噪声水平的1%变化到10000%（后者保持固定）。此外，这项工作中的实验考虑了几种不同类型的分布以及线性和非线性模型。实验结果表明，ANMs方法可能无法捕捉到真正的因果方向的一些水平的噪声。
2021-10-15 cs.LG stat.ML
Least-Squares Independence Regression for Non-Linear Causal Inference under Non-Gaussian Noise
加性非高斯噪声模型下的非线性因果关系的发现因其灵活性而受到广泛关注。在本文中，我们提出了一种新的因果推断算法称为最小二乘独立回归（LSIR）。LSIR通过最小化输入和残差之间的平方损失互信息的估计来学习加性噪声模型。与现有方法相比，LSIR的一个显着优势是可以通过交叉验证自然优化内核宽度和正则化参数等参数，从而避免以数据依赖的方式进行过拟合。通过对真实数据集的实验，我们表明LSIR与最先进的因果推断方法相比毫不逊色。
2011-03-30 stat.ML
Sparse Additive Model Pruning for Order-Based Causal Structure Learning
本文提出基于稀疏加法模型的因果结构学习剪枝方法，通过高效算法提升剪枝效率并保持高准确性。
2026-02-17 cs.LG stat.ML
Causal Inference and Mechanism Clustering of A Mixture of Additive Noise Models
The Chinese University of Hong Kong（香港中文大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）；Huawei Montréal Research Center（华为蒙特利尔研究中心）
一对观测变量之间的因果关系的推断是科学中的一个基本问题，并且大多数现有方法都基于单个因果模型。然而，在实际应用中，由于某些不可控因素的影响，观测数据往往来自多个具有异质因果模型的数据源，这使得单一模型的因果分析结果令人怀疑。本文将加性噪声模型推广到由有限个加性噪声组成的混合模型，并给出了其因果可辨识的条件。为了进行模型估计，我们提出了高斯过程部分可观测模型（GPPOM），并将独立性强制纳入其中，以学习与每个观察相关联的潜在参数。因果推断和聚类根据潜在的生成机制的混合模型解决这项工作。在合成数据和真实数据上的实验证明了该方法的有效性。
2018-11-11 cs.AI cs.LG stat.ML
Identification of Average Causal Effects in Confounded Additive Noise Models
针对存在未观测高斯混杂因子的加性噪声模型，提出估计任意处理子集平均因果效应的方法与随机化算法，仅需多对数级别干预即可高概率识别因果效应与结构，有限样本与半合成数据验证了其有效性。
2024-07-13 stat.ME stat.ML
The Effect of Noise Level on Causal Identification with Additive Noise Models
Faculty of Science, Technology and Communication（科学与技术通信学院）
近年来，在因果推断和因果学习领域进行了大量的研究。许多方法已被开发出来，以确定模型中的因果对，并已成功地应用于观测的现实世界的数据，以确定因果关系的方向。这些方法中的许多需要简化假设，例如不存在混杂、周期和选择偏倚。然而，在双变量的情况下，因果发现问题仍然具有挑战性。也允许处理双变量情况的一类这样的方法基于加性噪声模型（ANM）。不幸的是，这些方法的一个方面直到现在还没有得到太多的关注：不同的噪声水平对这些方法识别因果关系方向的能力有什么影响。这项工作的目的是弥合这一差距的实证研究的帮助。在这项工作中，我们考虑了二元情况，这是因果发现问题的最基本形式，其中需要确定是X导致Y还是Y导致X，给定两个变量X，Y的联合分布。此外，已经选择了两种特定的方法，\textit{Regression with Subsequent Independence Test}和\textit{Identification using Conditional Variances}，这两种方法已经用ANM的穷举范围进行了测试，其中加性噪声的水平逐渐从原因噪声水平的1%变化到10000%（后者保持固定）。此外，这项工作中的实验考虑了几种不同类型的分布以及线性和非线性ANM。实验结果表明，这些方法可能无法捕捉到真正的因果方向的一些水平的噪声。
2021-08-24 cs.LG stat.ML
MissDAG: Causal Discovery in the Presence of Missing Data with Continuous Additive Noise Models
The University of Melbourne（墨尔本大学）；Carnegie Mellon University（卡内基梅隆大学）；JD Explore Academy（京东探索研究院）；The University of Sydney（悉尼大学）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
最先进的因果发现方法通常假设观测数据是完整的。然而，缺失数据问题在临床试验、经济学和生物学等许多实际场景中普遍存在。解决缺失数据问题的一个简单方法是首先使用现成的插补方法对数据进行插补，然后应用现有的因果发现方法。然而，这样的两步方法可能遭受次优性，因为插补算法可能引入用于对基础数据分布进行建模的偏差。在本文中，我们开发了一个通用的方法，我们称之为MissDAG，从不完整的观测数据进行因果发现。MissDAG主要关注可识别缺失和可识别加性噪声模型（ANMs）的假设，在期望最大化（EM）框架下最大化观测可见部分的期望似然。在E步骤中，在以封闭形式计算参数的后验分布不可行的情况下，利用Monte Carlo EM来近似似然。在M步骤中，MissDAG利用密度变换，通过ANM以更简单和具体的公式对噪声分布进行建模，并使用具有有向非循环图约束的基于似然的因果发现算法。我们展示了MissDAG的灵活性，将各种因果发现算法和其功效，通过广泛的模拟和真实数据实验。
2023-01-17 cs.LG stat.ML
Conditionally-additive-noise Models for Structure Learning
Istituto Italiano di Tecnologia（意大利理工学院）；Harvard Medical School（哈佛医学院）；Whiting School of Engineering（怀廷工程学院）；Johns Hopkins University（约翰斯·霍普金斯大学）
基于约束的结构学习算法通过确定与数据中的条件独立性相容的等价类因果结构来从观测数据推断多变量系统的因果结构。基于加性噪声（AN）模型的方法已经被提出来进一步区分在条件独立性方面等价的因果结构。这些方法依赖于特定形式的生成函数方程，具有加性噪声结构，其允许通过测试非线性回归的残差与预测因子（nrr-独立性）之间的独立性来推断因果关系的方向性。完全因果结构可辨识性已被证明为系统只包含加性噪声方程，没有隐藏变量。我们以几种方式扩展AN框架。我们引入了基于条件方差（CV-独立性）的独立性替代回归测试。我们考虑条件加性噪声（CAN）模型，其中的方程可能有AN的形式，只有条件。我们利用不对称的nrr-独立性或CV-独立性导致的CAN形式推导出一个标准，推断一对变量之间的因果关系在一个多变量系统中，没有任何假设的形式的方程或隐变量的存在。
2019-05-20 cs.LG stat.ME stat.ML
Higher-Order Causal Structure Learning with Additive Models
University of Southern California（南加州大学）；Carnegie Mellon University（卡内基梅隆大学）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
本文将因果加性模型扩展为可表示高阶交互作用的超DAG结构，建立其可识别性理论，并开发扩展的贪心CAM算法，在合成实验中验证了学习更复杂超图结构可带来更好的经验性能。
2025-11-05 cs.LG math.ST stat.ML
Causal Discovery with Score Matching on Additive Models with Arbitrary Noise
Università di Genova（热那亚大学）；Istituto Italiano di Tecnologia（意大利技术研究院）；Carnegie Mellon University（卡内基梅隆大学）；Amazon Web Services（亚马逊云科技）
本文分析了高斯噪声假设下因果推断的边反转风险，提出了一种基于任意噪声分布加性非线性模型推断拓扑排序的新方法 NoGAM，在合成数据上实现了最先进的因果发现性能。
2023-04-06 cs.LG stat.ME
Bias of the additive hazard model in the presence of causal effect heterogeneity
风险比容易出现选择偏差，从而影响其作为因果被估量的使用。另一方面，已证明风险差异随时间推移不受脆弱性因素选择的影响。因此，在不存在混杂因素的情况下，观察到的风险差异可用作因果风险差异的无偏估计量。然而，在存在效应（对危害）异质性的情况下，危害差异也受到选择的影响。在这项工作中，我们正式观察到的风险差异（从随机对照试验）如何演变，通过选择有利的水平的效应修饰剂在暴露组，从而偏离因果风险差异的利益。这种选择可能会导致非线性的综合风险差异曲线，即使个别因果效应是时不变的。因此，对危害的同质时变因果加性效应不能与恒定但异质的因果效应区分开来。我们通过研究化疗对口咽癌患者生存时间的影响来说明这一因果关系问题。因此，如果不作出不可检验的假设，危险差异就不能用作因果效应的适当衡量标准。
2022-10-29 math.ST stat.TH
Identification of Causal Structure in the Presence of Missing Data with Additive Noise Model
Guangdong University of Technology（广东工业大学）；Peng Cheng Laboratory（鹏城实验室）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；Shantou University（汕头大学）
本研究针对自掩蔽缺失下因果结构难以识别的问题，基于加性噪声模型放宽无自掩蔽缺失假设，证明弱自掩蔽下因果骨架及方向的可识别性，提出实用算法并通过实验验证其有效性。
2023-12-19 cs.AI cs.LG stat.ME
The Estimation of Causal Effects of Multiple Treatments in Observational Studies Using Bayesian Additive Regression Trees
目前缺乏适当的方法来估计多种治疗的因果关系时，结果是二元的。对于这样的设置，我们建议使用非参数贝叶斯建模，贝叶斯加性回归树（BART）。我们进行了一项广泛的模拟研究，将BART与几种现有的基于倾向得分的方法进行比较，并在估计治疗患者的平均处理效应时确定其操作特征。BART始终表现出低偏倚和均方误差。我们通过对一个大型数据集的比较有效性分析来说明BART的使用，该数据集来自最新的SEER-Medicare链接，针对通过机器人辅助手术，视频辅助胸外科手术或开胸手术进行手术的患者。
2020-02-27 stat.ME
Feature selection in stratification estimators of causal effects: lessons from potential outcomes, causal diagrams, and structural equations
估计平均因果效应的理想回归（如果有的话）是什么？我们研究这个问题的设置离散协变量，推导出各种分层估计的有限样本方差的表达式。这种方法澄清了许多被广泛引用的结果背后的基本统计现象。我们的论述结合了三种不同的方法论传统研究因果效应估计的见解：潜在的结果，因果关系图和结构模型与添加剂错误。
2022-09-23 stat.ME stat.ML
iSCAN: Identifying Causal Mechanism Shifts among Nonlinear Additive Noise Models
University of Chicago（芝加哥大学）；Booth School of Business, University of Chicago（芝加哥大学布斯商学院）；Carnegie Mellon University（卡内基梅隆大学）；University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出iSCAN方法，在不估计完整DAG结构的情况下，利用混合分布得分函数的雅可比矩阵识别非线性加性噪声模型中的因果机制偏移，并通过合成与真实数据验证其有效性。
2024-01-13 cs.AI cs.LG stat.AP
Homogeneity in the instrument-treatment association is not sufficient for the Wald estimand to equal the average causal effect for a binary instrument and a continuous exposure
工作背景：解释工具变量的结果往往需要进一步的假设，除了相关性，独立性和排除限制的核心假设。研究方法：我们评估是否工具暴露添加剂的同质性，使沃尔德估计等于平均衍生效应（ADE）的情况下，一个二元工具和连续曝光。结果如下：当仪器为二进制、暴露为连续且暴露对结果的影响在加性标度上为非线性时，仪器暴露加性同质性不足以识别ADE。对于二元暴露，确定性-结果效应必然是加性线性的，因此齐性条件是充分的。结论：对于二元仪器，如果暴露也是二元的，则仪器暴露加性均匀性识别ADE。否则，需要额外的假设（如确定性-结果效应的加性线性）。
2022-04-18 stat.ME
A Scale-Invariant Sorting Criterion to Find a Causal Order in Additive Noise Models
CNRS, MAP5（法国国家科学研究中心，MAP5）；Université Paris Cité（巴黎西岱大学）；CentraleSupélec（中央理工-高等电力学院）；Université Paris-Saclay（巴黎-萨克雷大学）；University of Copenhagen（哥本哈根大学）
本文针对加性噪声模型中标准化后方差准则失效的问题，提出尺度不变的 $R^2$ 可排序性及 $R^2$-SortnRegress 算法，并在常见仿真设置下验证其可匹敌或超越既有因果发现方法。
2023-10-31 cs.LG stat.ME stat.ML
RECLAIM: Cyclic Causal Discovery Amid Measurement Noise
School of Electrical and Computer Engineering, Georgia Institute of Technology（佐治亚理工学院电气与计算机工程学院）
RECLAIM通过最大似然估计和残差归一化流处理循环因果和测量噪声，理论保证一致性和实验证明有效性。
2026-03-21 cs.LG stat.ML
Unbiased estimation for additive exposure models
因果推断方法已被应用于研究人员希望估计处理效应的各个领域。在传统的因果推断设置中，人们假设一个单元的结果不依赖于其他单元的处理。然而，随着因果推断方法被扩展到更多的应用，有一个更大的需求，一般的因果效应的估计。我们使用暴露映射框架[Aronow和Samii，2017]来映射治疗分配与潜在结局之间的关系。在暴露模型下，我们提出了一般因果效应的线性无偏估计量（LUE），假设处理效应是加性的。可加性提供了统计学上的优势，其中暴露的对比度现在是相等的，因此所考虑的估计量的集合增长。我们确定了一个子集的LUE，形成一个仿射基础的LUE，我们通过定义条件的支持下的估计的最小综合方差的最佳LUE的特征。我们表明，通过模拟，我们提出的估计是相当强大的违反加性假设，并在一般情况下，有好处，利用所有曝光的信息。
2022-09-02 math.ST stat.ME stat.TH
Causal Dantzig: fast inference in linear structural equation models with hidden variables under additive interventions
当只有观测数据可用时，因果推断是非常具有挑战性的。随机化实验通常是昂贵和不切实际的，在工具变量回归中，工具的数量必须超过因果预测因子的数量。最近Peters等人[2016]表明，当来自不同观测环境的数据可用时，完整模型的因果推断是可能的，利用响应变量的条件分布在正确的因果模型下是不变的。这种方法的两个缺点是大规模数据的高计算量和假设没有隐藏的混杂因素。在这里，我们表明，这两个缺点可以得到解决，如果一个人愿意作出更严格的假设类型的干预，产生不同的环境。因此，我们来看看一个不同的不变性概念，即内积不变性。通过避免Peters等人[2016]中计算繁琐的逆向工程方法，它允许在线性结构方程模型中进行大规模因果推断。我们讨论了因果参数的可识别性条件，并在低维环境中推导出渐近置信区间。在不可识别的情况下，我们证明了因果Dantzig的解集在某些干预下具有预测保证。我们推导出有限样本的界限，在高维设置和模拟数据集上研究其性能。
2018-06-15 stat.ME
Discrete Causal Representation Learning
Columbia University（哥伦比亚大学）；University of Michigan（密歇根大学）
本文提出离散因果表示学习（DCRL），通过生成框架建模离散潜在变量的有向无环图及稀疏二分图，解决高维离散变量和混合观测的因果推断问题，证明模型在弱条件下可识别，并通过实验验证其有效性。
2026-03-26 stat.ME stat.ML
Causal Autoregressive Flows
Gatsby Unit, UCL（伦敦大学学院盖茨比单元）；King’s College London（伦敦国王学院）；University of Helsinki（赫尔辛基大学）
两个明显不相关的领域--规范化流和因果关系--最近在机器学习社区受到了相当大的关注。在这项工作中，我们强调了一个简单的家庭自回归规范化流和可识别的因果模型之间的内在对应关系。我们利用的事实，自回归流架构定义了一个排序的变量，类似于因果排序，表明他们非常适合执行一系列的因果推断任务，从因果发现，使干预和反事实的预测。首先，我们证明了因果模型来自仿射和加性自回归流与固定的顺序变量是可识别的，即因果影响的真实方向可以恢复。这提供了在因果发现中众所周知的加性噪声模型的一般化。其次，我们推导出一个基于似然比的因果方向的二元测度，利用流模型可以估计数据的归一化对数密度的事实。第三，我们表明，流自然允许直接评估的干预和反事实查询，后一种情况下是可能的，由于流的可逆性。最后，通过对合成数据和真实数据的一系列实验，表明所提出的方法优于目前的因果发现方法，以及准确的干预和反事实预测。
2021-02-24 cs.LG stat.ML
Learning Joint Interventional Effects from Single-Variable Interventions in Additive Models
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Amazon Research（亚马逊研究）；Tübingen AI Center（图宾根人工智能中心）；ELLIS Institute（ELLIS研究所）
本文研究仅利用观测数据和单变量干预学习多变量联合干预因果效应的问题，提出可识别性结果和分解估计器，并在合成数据上验证其性能优于纯观测估计器且接近直接联合干预训练模型。
2025-06-05 cs.LG stat.ML
Identifying Drift, Diffusion, and Causal Structure from Temporal Snapshots
University of British Columbia（不列颠哥伦比亚大学）；University of Melbourne（墨尔本大学）
本文提出了一种从时间边际联合识别SDE漂移和扩散的方法，证明了非识别性仅在初始分布具有广义旋转对称性时发生，并展示了因果图可从SDE参数中恢复。
2026-11-09 cs.LG math.ST stat.ML
Graph-Split Bayesian Causal Forest for Spatial Heterogeneous Treatment Effect Estimation
Texas A&M University（德克萨斯农工大学）；Shell USA Inc（壳牌美国公司）
针对空间观测研究中处理效应随空间变化且受空间混杂影响的问题，提出图分裂贝叶斯因果森林（GSBCF），融合GS-BART与贝叶斯因果森林框架，通过图引导分裂规则建模空间结构，实现更精确的HTE估计与不确定性量化。
2026-09-30 stat.ME stat.ML
Combining Linear Non-Gaussian Acyclic Model with Logistic Regression Model for Estimating Causal Structure from Mixed Continuous and Discrete Data
RIKEN AIP Center（理化学研究所人工智能项目中心）；Shiga University（滋贺大学）
从观测数据中估计因果模型是数据分析中的一项重要任务。对于连续值数据，Shimizu等人提出了一种线性非循环非高斯模型来理解数据生成过程，并表明当数据数量足够大时，他们的模型是可识别的。然而，连续变量和离散变量共存于同一问题中的情况在实践中很常见。大多数现有的因果发现方法或者忽略离散数据并应用连续值算法，或者将所有连续数据离散化，然后应用离散贝叶斯网络方法。这些方法在忽略离散数据或离散化引入近似误差时，可能会丢失重要信息。在本文中，我们定义了一个新的混合因果模型，它包括连续和离散变量。该模型假设：（1）连续变量的值是其父变量加上非高斯噪声的线性函数，以及（2）每个离散变量是逻辑变量，其分布参数取决于其父变量的值。此外，我们推导出BIC评分函数的模型选择。新算法可以从连续和离散数据中学习因果结构，而不需要离散化。我们通过全面的模拟经验证明了我们的方法的力量。
2018-02-16 cs.AI cs.LG stat.ML
Causal Inference on Discrete Data via Estimating Distance Correlations
The Chinese University of Hong Kong（香港中文大学）
本文研究了离散域上数据的因果方向推断问题。将原因分布$P(X)$和因果映射条件分布$P(Y|X)$视为独立随机变量，通过比较$P(X)$与$P(Y|X)$之间的距离相关性和$P(Y)$与$P(X|Y)$之间的距离相关性来推断因果方向.如果$P(X)$和$P(Y|X)$之间的依赖系数较小，则我们推断“$X$导致$Y$“。实验结果表明了该方法的有效性。
2018-08-07 cs.AI cs.LG stat.ML
Testing the Validity of Instrumental Variable Sets in Causal Additive Models with Non-Constant Effects
Beijing Technology and Business University（北京工商大学）；Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；Peking University（北京大学）；Guangdong University of Technology（广东工业大学）；Peng Cheng Laboratory（鹏城实验室）；Carnegie Mellon University（卡内基梅隆大学）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
本文针对CAM-NCE下IV集有效性检验问题，提出CAT条件并扩展至含协变量场景，开发有限样本算法，经多类数据实验验证了方法的有效性与实用性。
2026-08-21 stat.ME
Embracing Discrete Search: A Reasonable Approach to Causal Structure Learning
University College Dublin（都柏林大学学院）；University of Copenhagen（哥本哈根大学）
FLOP算法通过快速父节点选择和迭代Cholesky更新，实现了高效的因果结构学习，显著提升了离散搜索在因果发现中的应用效果。
2026-02-27 cs.AI cs.LG stat.ME
Beyond Additivity: Causal Discovery in Location-Scale Noise Models with Hidden Variables
RIKEN AIP（理化学研究所Advanced Institute for Science Technology）；University of Bergen（卑尔根大学）；The University of Osaka（大阪大学）；Shiga University（滋贺大学）
针对含隐变量且数据生成过程遵循位置-尺度噪声模型（LSNM）的因果发现，证明满足无弓条件的非循环有向混合图（ADMG）可识别，并提出两阶段算法LSNM-UV，在异方差数据上优于可加性基线。
2026-06-06 cs.AI cs.LG stat.ME
A Subsampling-Based Method for Causal Discovery on Discrete Data
University of Utah（犹他大学）
在离散和分类数据上推断因果方向是一个重要而又具有挑战性的问题。尽管加性噪声模型（ANMs）方法可以适用于离散数据，但功能结构假设使其不适用于分类数据。受原因和机制是独立的原则的启发，已经开发了各种方法，利用独立性测试，例如距离相关性测量。在这项工作中，我们采取了另一种观点，并提出了一个基于子采样的方法来测试的原因和机制的生成方案之间的独立性。我们的方法适用于离散和分类数据，并且不意味着数据上的任何函数模型，使其成为一种更灵活的方法。为了证明我们的方法的有效性，我们将其与各种合成数据和真实数据实验的现有基线进行比较。
2021-09-01 cs.AI cs.LG stat.ML
Estimating complex causal effects from incomplete observational data
University of Jyväskylä（于韦斯屈莱大学）
尽管因果建模取得了重大进展，因果关系仍然是许多统计学家不熟悉的话题。在本文中，它是从开始到结束演示如何因果效应可以估计从观测数据假设的因果结构是已知的。为了使问题更具挑战性，因果效应是高度非线性的，数据是随机随机缺失的。估计中使用的工具包括设计因果模型、因果演算、多重插补和广义可加模型。主要的信息是，一个训练有素的统计学家可以通过明智地结合现有的工具来估计因果效应。
2014-07-02 cs.LG math.ST stat.ME
Causal inference in partially linear structural equation models
本文研究了带高斯噪声的部分线性加性结构方程模型的可辨识性和分布等价模型的估计。因此，我们还包括高斯分布的邻域中的误差的鲁棒性结果。现有的可辨识性结果的框架下加性SEM与高斯噪声仅限于线性和非线性SEM，可以被认为是特殊情况下的PLSEMs消失的非参数或参数部分，分别。我们缩小了这两种特殊情况之间的巨大差距，通过（A）图形，（B）变换，（C）功能和（D）生成给定分布P的PLSEMs的因果排序特征，提供了PLSEMs可识别性的全面理论。特征（C）和（D）回答了一个基本问题，在加性SEM中，高斯噪声的非线性函数在多大程度上限制了潜在因果模型的集合，从而影响了可识别性。在变换表征（B）的基础上，我们提供了一个基于分数的估计过程，该过程输出给定PLSEM的分布等价类的图形表示（A）。我们推导出其（高维）的一致性，并证明其性能的模拟数据集。
2017-12-14 math.ST stat.TH
Causal Effect Identification in Acyclic Directed Mixed Graphs and Gated Models
Linköping University（林雪平大学）
我们引入了一个新的图形模型，包括可能有向，无向和双向边，但没有定向循环的图形。我们表明，这些模型是适合于表示因果模型的附加误差项。我们提供了一组充分的图形标准识别任意因果效应时，新的模型包含有向和无向的边缘，但没有双向边缘。我们还提供了一个必要的和充分的图形标准的因果关系的影响，一个单一的变量上的其他变量的识别。此外，我们开发了一种精确的算法，通过答案集编程从观察和干预数据中学习新模型。最后，我们介绍了门控模型的因果效应识别，一个新的家庭的图形模型，利用上下文特定的独立性，以确定额外的因果效应。
2017-05-28 cs.AI stat.ML
On the Intersection Property of Conditional Independence and its Application to Causal Discovery
本文研究了条件独立性的交集性质。它指出，对于随机变量$A,B,C$和$X$，我们有$X$独立于$A$给定$B,C$和$X$独立于$B$给定$A,C$意味着$X$独立于$(A,B)$给定$C$。在联合分布具有连续密度的假设下，我们给出了相交性成立的充要条件。结果有直接的应用因果推理：它导致严格较弱的条件下，图形结构成为可识别的加性噪声模型的联合分布。
2014-03-04 math.PR stat.ML
Causal Effect Identification and Inference with Endogenous Exposures and a Light-tailed Error
针对内生性导致的因果推断挑战，本文提出基于轻尾误差假设的极端条件分位数识别方法，无需额外参数假设或辅助变量，结合极端分位数回归估计因果效应，经模拟和汽车销售数据分析验证有效性。
2025-08-24 stat.ME
An Automated Approach to Causal Inference in Discrete Settings
University of Pennsylvania（宾夕法尼亚大学）；Johns Hopkins University（约翰斯·霍普金斯大学）；Princeton University（普林斯顿大学）
当因果量不能被点识别时，研究人员经常追求部分识别来量化可能值的范围。然而，应用研究条件的特殊性可能使这在分析上变得棘手。我们提出了一个通用的和自动化的方法，因果推断在离散设置。我们显示因果问题与离散数据减少到多项式规划问题，我们提出了一个算法，自动绑定因果效应，使用高效的双松弛和空间分支定界技术。用户声明一个被估量，陈述假设，并提供数据（尽管不完整或错误测量）。然后，该算法搜索可接受的数据生成过程，并输出与可用信息一致的最精确的可能范围，即，尖锐的边界--如果存在的话，包括一个点标识的解决方案。由于这种搜索可能是计算密集型的，因此我们的程序报告并不断改进非尖锐范围，这些范围保证始终包含真相，即使算法没有运行完成。此外，它提供了一个额外的保证，我们称之为$ε$ -锐度，表征不完整边界的最坏情况松散。分析验证的模拟表明，该算法适应经典的障碍，包括混杂，选择，测量误差，不符合，和无响应。
2021-09-28 cs.LG stat.CO stat.ME
CIMTx: An R package for causal inference with multiple treatments using observational data
CIMTx提供了有效和统一的功能，以实现因果推断的现代方法，使用观察数据进行多种治疗，重点是二元结果。这些方法包括回归调整、治疗加权逆概率、贝叶斯加性回归树、广义倾向得分的多元样条回归调整、向量匹配和目标极大似然估计。此外，CIMTx还说明了用户可以在多种治疗设置中模拟符合复杂数据结构的数据的方法。此外，CIMTx软件包提供了一套独特的功能来解决关键的因果假设：积极性和可解释性。对于阳性假设，CIMTx演示了使用治疗加权的逆概率、贝叶斯加法回归树和向量匹配来识别用于保留推理单元的公共支持区域的技术。为了处理可验证性假设，CIMTx提供了一种灵活的蒙特卡罗敏感性分析方法，以评估因果关系结论如何根据与可验证治疗分配的不同程度偏离而改变。
2022-09-14 stat.AP stat.CO stat.ME
Coherent modeling of longitudinal causal effects on binary outcomes
生物医学研究的分析往往需要建模纵向因果效应。目前对个性化医疗和效果异质性的关注使这项任务更具挑战性。为此，结构嵌套均值模型（SNESTs）是研究纵向研究中异质性处理效应的基本工具。然而，当结果是二进制的，目前的方法估计乘法和加法SNMM参数遭受因果参数和非因果滋扰参数之间的变化依赖。这就给解释、估计和计算带来了一系列困难。这些困难阻碍了SNARY在生物医学实践中的应用，在生物医学实践中，二元结果非常常见。我们解决了二进制乘法SNMM的变化依赖性问题，通过重新参数化的非因果滋扰参数。我们的新的滋扰参数的变化独立的因果参数，因此允许连贯的建模的异质性影响的纵向研究与二进制的结果。我们的参数化也提供了一个关键的积木灵活的双重稳健估计的因果参数。一路上，我们证明了一个添加剂SNMM与二进制的结果不承认一个变化独立的参数化，从而证明限制乘法SNMM。
2022-07-22 stat.ME
The Causal Effects for a Causal Loglinear Model
因果关系的分析在许多研究领域都是重要的。我提出了一个因果理论来获得因果对数线性模型中的因果效应。它使用比值比和珀尔的因果理论计算它们。计算的效果区分一个简单的中介模型（模型没有乘法的相互作用效应）和一个中介模型与乘法的相互作用效应。在这两种模型中，也可以分析细胞效应，这是一种新的相互作用效应。在因果对数线性模型中存在三种交互效应：乘性交互效应、加性交互效应和单元效应
2015-08-12 stat.AP stat.ME
Simulating longitudinal data from marginal structural models using the additive hazard model
关于治疗和协变量的观察性纵向数据越来越多地用于研究处理效应，但经常受到时间依赖性混杂的影响。边缘结构模型（MSM），估计使用治疗加权或g公式的逆概率，是流行的处理这个问题。随着高级因果推断方法的不断发展，能够评估它们在不同场景下的性能以指导它们的应用是很重要的。模拟研究是一个关键的工具，这一点，但他们的使用，以评估因果推断方法一直是有限的。本文重点介绍了使用模拟评估涉及MSM的研究与时间到事件的结果。在模拟中，重要的是能够以这样的方式生成数据，即已知要拟合这些数据的任何模型的正确形式。然而，这在纵向设置中并不简单，因为以顺序条件方式生成数据是很自然的，而MSM涉及拟合边际而不是条件风险模型。我们提供了一般的结果，使正确指定的MSM的形式来派生的基础上的条件数据生成程序，并显示如何可以应用的结果时，条件风险模型是一个Aalen加性风险或Cox模型。使用条件加性风险模型是有利的，因为它们意味着可以使用标准软件拟合的加性MSM。我们描述并说明了一个模拟算法。我们的研究结果将有助于研究人员有效地评估因果推断方法，通过模拟。
2020-02-10 stat.ME
Hierarchical Causal Structure Learning
Wageningen University（瓦赫宁根大学）
本文提出了一种分层因果结构学习方法，用于处理多层次数据中的因果关系建模，支持未观察到的混杂因素和群体特定的因果函数。
2026-09-16 stat.ME
Nonparametric tests of the causal null with non-discrete exposures
在许多科学研究中，确定暴露是否对结果产生因果影响是很有意义的。在观察性研究中，这是一项具有挑战性的任务，因为存在影响暴露和结局的混杂变量。已经开发了许多方法来测试当观察到所有这些混杂变量并且当感兴趣的暴露是离散的时是否存在因果效应。在这篇文章中，我们提出了一类非参数检验的原假设，有没有平均因果效应的任意单变量暴露的结果中观察到的混杂。我们的测试适用于离散、连续和混合离散-连续曝光。我们表明，我们提出的测试是双重强大的一致性，他们有正确的渐近第一类错误，如果两个滋扰参数参与的问题估计在足够快的速度，他们有能力检测本地替代品接近零的速度$n^{-1/2}$。我们在数值研究中研究了我们的测试的性能，并使用它们来测试吸烟母亲中吸烟对出生体重的因果影响。
2020-10-06 stat.ME
Entropic Causal Inference
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；California Institute of Technology（加州理工学院）
本文研究了利用观测数据确定两个离散随机变量之间因果关系方向的问题。与以前的工作不同，我们保留了最一般的函数模型，但对未观察到的外生变量做了一个假设：受奥卡姆剃刀的启发，我们假设外生变量在真正的因果方向上是简单的。我们用雷尼熵来量化简单性。我们的主要结果是，在自然假设下，如果外生变量在真实方向上具有低$H_0$熵（基数），则它在错误方向上必须具有高$H_0$熵。建立了估计最小熵外生变量的几个算法困难性结果。我们证明了寻找具有最小熵的外生变量的问题等价于寻找给定$n$边缘分布的最小联合熵的问题，也称为最小熵耦合问题。我们提出了一个有效的贪心算法的最小熵耦合问题，即$n=2$可证明找到一个局部最优。这给出了一个贪心算法来寻找具有最小$H_1$（香农熵）的外生变量。我们的贪婪熵为基础的因果推理算法具有类似的性能，最先进的加性噪声模型在真实的数据集。我们的方法的一个优点是，我们不使用随机变量的值，但只有他们的分布。因此，我们的方法可以用于因果推理的顺序和分类数据，不像加性噪声模型。
2016-11-15 cs.AI cs.IT math.IT
Structural Hawkes Processes for Learning Causal Structure from Discrete-Time Event Sequences
Guangdong University of Technology（广东工业大学）；Peng Cheng Laboratory（鹏城实验室）；Huawei Noah’s Ark Lab, Huawei（华为诺亚方舟实验室）；Shantou University（汕头大学）
本文提出结构霍克斯过程（SHPs），利用瞬时效应学习离散时间事件序列中事件类型的因果结构，通过似然最小化-最大化与稀疏优化，证明瞬时效应下因果结构可识别，实验验证有效。
2023-05-10 cs.AI cs.LG stat.ME
Estimation and inference for high-dimensional nonparametric additive instrumental-variables regression
工具变量的方法提供了一个基本的和实用的工具，因果推断在许多实证研究中，治疗和结果之间的不可测量的混杂存在。现代数据，如来自这些研究的遗传基因组学数据，往往是高维的。高维线性工具变量回归由于其简单性而在文献中被考虑，尽管可能存在真正的非线性关系。我们提出了一个更多的数据驱动的方法，通过考虑非参数加性模型之间的工具和治疗，同时保持一个线性模型之间的治疗和结果，使其中的系数可以直接承担因果关系的解释。我们提供了一个两阶段的框架下，这个更一般的设置估计和推理。首先采用组套索正则化从高维加性模型中选择最佳工具，然后对加性模型的拟合值回归结果变量，以识别和估计重要的处理效应。我们提供了所提出的估计的估计误差的非渐近分析。进一步采用去偏过程来产生有效的推断。大量的数值实验表明，我们的方法可以媲美或优于现有的方法在文献中。最后，我们分析了小鼠肥胖数据，并讨论了我们的方法的新发现。
2022-10-27 math.ST stat.ME stat.TH
Temporally Causal Discovery Tests for Discrete Time Series and Neural Spike Trains
本文提出一种时间因果发现检验方法，用于在存在混杂因素时检测离散时间序列间的因果关系，并在模拟和神经数据上验证了其有效性。
2023-11-17 cs.IT math.IT math.ST
Stable Central Limit Theorems for Discrete-Time Lag Martingale Difference Arrays: Applications to Dynamic Causal Inference
University of Michigan（密歇根大学）；Johns Hopkins Carey Business School（约翰霍普金斯凯瑞商学院）
本文提出了一类离散时间滞后鞅差数组的稳定中心极限定理，通过伯恩斯坦阻断方案和经典鞅定理证明，并应用于动态因果推断问题。
2026-09-11 math.PR math.ST stat.TH
Causal Inference with High-dimensional Discrete Covariates
Graduate School of Business, Stanford University（斯坦福大学商学院）；Department of Statistics and Data Science, Carnegie Mellon University（卡内基梅隆大学统计与数据科学系）；Courant Institute of Mathematical Sciences and Center for Data Science, New York University（纽约大学柯朗数学科学研究所和数据科学中心）
研究高维离散协变量下因果效应的估计问题，证明常用估计量的均方误差界为d²/n²+1/n，并给出极小化下界，提出利用效应同质性和先验知识的新估计量以加速收敛。
2026-06-19 math.ST stat.ME stat.TH
Estimating Causal Effects of Discrete and Continuous Treatments with Binary Instruments
MIT（麻省理工学院）；U of Bristol（布里斯托大学）；U of Michigan（密歇根大学）；CESifo（CESifo研究所）
提出基于局部copula的工具变量框架，通过恒定局部依赖性假设识别离散和连续治疗的因果效应，并应用于睡眠对幸福感的影响估计。
2026-09-09 econ.EM stat.ME
Causal inference for continuous-time processes when covariates are observed only at discrete times
纵向数据因果推断的结构嵌套模型和g-估计的大部分工作都假设了离散时间的底层数据生成过程。然而，在一些观察性研究中，更合理的假设是数据是从连续时间过程中产生的，并且只能在离散时间点观察到。当这些情况出现时，观察到的离散时间数据中的序贯随机化假设，这是证明离散时间g估计的必要条件，可能是不合理的。在确定性模型下，我们讨论了保证离散时间g-估计的一致性的其他有用的假设。在更一般的情况下，当这些假设被违反时，我们提出了一种预测未来的方法，该方法在大多数情况下至少可以执行g-估计，并且在g-估计严重不一致的某些情况下提供一致的估计。我们将本文讨论的方法应用于模拟数据，以及在孟加拉国发生大规模洪水后收集的数据集，估计腹泻对儿童身高的影响。在仿真和实际应用中比较了不同方法的结果。
2011-03-08 math.ST stat.TH
