Identifiability of causal graphs under nonadditive conditionally parametric causal models
HEC Lausanne University of Lausanne（洛桑大学HEC商学院）
本文提出条件性参数因果模型，通过充分统计量证明其可识别性，并提出算法估计因果结构，展示在多个基准测试中取得先进性能。
2025-11-23 stat.ME
Causal Domain Adaptation with Copula Entropy based Conditional Independence Test
Hitachi China Research Laboratory（日立中国研究院）
领域自适应（DA）是机器学习中的一个典型问题，其目的是将在源域上训练的模型迁移到具有不同分布的目标域上。因果性DA是DA的一种特殊情况，它从因果关系的角度解决问题。它将多个域中的概率关系嵌入到系统的一个更大的因果结构网络中，并试图找到系统上的因果源（或干预）作为系统状态跨域分布漂移的原因。从这个意义上说，因果DA转换为因果发现问题，通过状态变量和系统的可观察状态之间的条件独立性，发现跨域的不变表示给定干预。检验条件独立性是因果发现的基石。最近，基于Copula熵的条件独立性检验被提出，它具有严格的理论和非参数估计方法。本文首先给出了因果DA问题的一个数学模型，然后提出了一种基于Copula熵的条件独立性检验的因果DA问题跨域不变表示方法。两个仿真数据验证了该方法的有效性。该方法的力量，然后证明了两个现实世界的数据：成人人口普查收入数据和步态特征数据。
2022-02-27 cs.LG stat.ME
Identifying Causal Effects with the R Package causaleffect
Do-calculus涉及从给定因果结构中观察到的变量的联合概率分布估计动作的干预分布。所有可识别的因果效应都可以使用do-calculus的规则推导出来，但是这些规则本身并不能直接表明所讨论的效应是否是可识别的。Shpitser和Pearl构造了一种算法，用于识别因果模型中的联合干预分布，其中包含未观察变量并诱导有向无环图。该算法可以被看作是对do-calculus规则和已知概率属性的重复应用，它最终要么导出因果分布的表达式，要么无法识别效果，在这种情况下，效果是不可识别的。本文给出了R包的cathode效果，并给出了该算法的一种实现。并通过实例说明了因果效应的作用。
2018-06-19 stat.ME
Causal-DRF: Conditional Kernel Treatment Effect Estimation using Distributional Random Forest
University of Geneva（日内瓦大学）；ETH Zürich（苏黎世联邦理工学院）；NYU Grossman School of Medicine（纽约大学格罗斯曼医学院）
本文提出Causal-DRF方法，利用分布随机森林算法估计条件核治疗效应，通过森林拟合获得一致且渐近正态的估计值，从而更全面理解治疗效应差异。
2026-04-02 stat.ME
Learning Conditional Instrumental Variable Representation for Causal Effect Estimation
University of South Australia（南澳大学）
本文提出DVAE.CIV方法，利用解纠缠表示学习自动学习条件工具变量及其条件集的表示，以消除未测量混杂偏差，在合成和真实数据上优于现有因果效应估计器。
2023-06-21 cs.AI cs.LG stat.ME
Learning Causal Models from Conditional Moment Restrictions by Importance Weighting
CyberAgent, Inc.（赛博代理公司）；The University of Tokyo（东京大学）；Temple University（天普大学）
我们考虑在条件矩约束下学习因果关系。与无条件矩约束下的因果推理不同，条件矩约束对因果推断提出了严峻的挑战，特别是在高维环境中。为了解决这个问题，我们提出了一种方法，转换条件矩约束无条件矩限制，通过重要性加权，使用条件密度比估计。利用这种变换，我们成功地估计了定义在条件矩约束下的非参数函数。我们提出的框架是通用的，可以应用于广泛的方法，包括神经网络。我们分析了估计误差，为我们提出的方法提供了理论支持。在实验中，我们证实了我们提出的方法的合理性。
2022-09-28 cs.LG econ.EM stat.AP
Causal Layering via Conditional Entropy
Salesforce AI Research（赛富时人工智能研究院）
本文针对离散分布的因果发现问题，提出利用条件熵预言机反复识别并移除源点或汇点以恢复因果分层，并在忠实性与噪声单射等假设下证明算法正确且最坏情况为二次时间。
2024-01-19 cs.AI cs.LG stat.ME
Identifying Causal Effects Under Functional Dependencies
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
本文研究功能依赖下的因果效应识别，提出消除程序移除功能性变量以增强可识别性并减少所需观测变量。
2024-05-22 cs.AI cs.LG cs.SC
Conditional Adjustment in a Markov Equivalence Class
该研究针对因果图为MPDAG或PAG代表的马尔可夫等价类的场景，提出条件调整判据这一充要图准则，并给出满足该判据的显式调整集，用于识别条件因果效应。
2024-03-11 stat.ME
A Criterion for Parameter Identification in Structural Equation Models
Iowa State University（爱荷华州立大学）
本文研究递归线性结构方程模型中直接因果效应的识别问题。本文建立了一个识别个体因果效应的充分准则，并提供了一个根据观测协方差阵计算已识别因果效应的程序。
2012-06-20 cs.AI stat.ME
Causal Discovery with Fewer Conditional Independence Tests
Eric and Wendy Schmidt Center, Broad Institute（埃里克和温迪·施密特中心，布罗德研究所）；Laboratory for Information & Decision Systems, Massachusetts Institute of Technology（麻省理工学院信息与决策系统实验室）
针对约束式因果发现算法需指数级条件独立性检验的问题，提出用多项式数量检验学习因果一致划分图（CCPG），在可识别情况下可还原真实因果图。
2024-06-03 cs.AI cs.LG stat.ME
Identifying Causal Effects With Proxy Variables of an Unmeasured Confounder
我们考虑一个因果效应，它被一个未观察到的变量混淆，但与观察到的混淆因素的代理变量。我们表明，至少有两个独立的代理变量满足一定的秩条件，因果效应是非参数识别，即使测量误差机制，即，可能无法识别给定混杂因素的代理的条件分布。我们的结果推广了Kuroki & Pearl（2014）基于测量误差机制识别的识别策略。当只有一个代理的混杂因素是可用的，或所需的排名条件不满足，我们开发了一个策略来测试没有因果关系的原假设。
2018-06-28 stat.ME
Conditional Generative Models are Sufficient to Sample from Any Causal Effect Estimand
Purdue University（普渡大学）；University of Texas at Austin（德克萨斯大学奥斯汀分校）
针对含未观测混杂因子的高维因果图中干预分布采样难的问题，提出基于条件生成模型前推计算的采样算法，在多数据集上验证了其有效性与应用价值。
2024-10-31 cs.AI cs.LG stat.ME
Approximate Kernel-based Conditional Independence Tests for Fast Non-Parametric Causal Discovery
基于约束的因果发现（CCD）算法需要快速准确的条件独立性（CI）测试。核条件独立性检验（KCIT）是目前最流行的非参数条件下的CI检验方法之一，但由于该检验方法与样本量的关系不大，许多研究者无法将其应用于大数据集。因此，我们设计了两个松弛称为随机条件独立性测试（RCIT）和随机条件相关性测试（RCoT），这两个近似KCIT利用随机傅立叶特征。在实践中，这两个拟议的测试规模与样本量线性和返回准确的p值比KCIT在大样本量的背景下快得多。使用RCIT或RCoT运行的CCD算法也返回至少与使用KCIT运行的相同算法一样准确的图形，但运行时间大大减少。
2017-04-13 stat.ME stat.ML
High Precision Causal Model Evaluation with Conditional Randomization
Microsoft Research（微软研究院）
针对条件随机化实验中IPW估计方差高、难以精确评估因果模型的问题，提出pairs estimator，通过对模型与真实效应使用同一IPW估计量抵消方差，实现接近RCT的评估性能。
2023-11-03 cs.LG stat.ME
Conditional Independence Testing with Heteroskedastic Data and Applications to Causal Discovery
针对异方差数据，提出改进的偏相关条件独立性检验，结合专家知识，在因果发现中优于标准检验且保持理论一致性。
2023-06-20 stat.ME stat.ML
A Distribution Free Conditional Independence Test with Applications to Causal Discovery
本文主要研究条件独立性的检验问题。我们首先建立了条件独立性和相互独立性之间的等价关系。基于等价性，我们提出了一个指标来衡量的条件依赖，通过量化的相互依赖的转换变量。建议的索引有几个吸引人的属性。(a)它是分布自由的，因为该指数的极限零分布不依赖于数据的总体分布。因此，临界值可以通过模拟制成表格。(b)所提出的索引范围从0到1，等于零当且仅当条件独立性成立。因此，它在备择假设下具有非平凡功效。(c)它是强大的离群值和重尾数据，因为它是不变的条件严格单调变换。(d)它具有较低的计算成本，因为它采用了一个简单的封闭形式的表达式，可以在二次时间内实现。(e)它是不敏感的调整参数的计算所提出的指数。(f)新的指数适用于多元随机向量以及离散数据。所有这些性质使我们能够使用新指数作为各种数据的统计推断工具。通过大量的模拟和因果发现的实际应用，说明了该方法的有效性。
2021-05-17 stat.ME
On the Number of Conditional Independence Tests in Constraint-based Causal Discovery
Eric and Wendy Schmidt Center, Broad Institute of MIT and Harvard（埃里克和文黛斯中心，MIT和哈佛Broad研究所）；Centre de Formació Interdisciplinària Superior, Universitat Politècnica de Catalunya（跨学科高级培训中心，加泰罗尼亚理工大学）；Laboratory for Information and Decision Systems, Massachusetts Institute of Technology（信息与决策系统实验室，麻省理工学院）
本文提出一种复杂度更低的算法，通过减少条件独立性测试数量提升因果发现效率，同时证明了约束方法的理论下限。
2026-03-23 cs.AI cs.LG stat.ME
Conditional Local Independence Testing for Itô processes with Applications to Dynamic Causal Discovery
School of Computer Science, Peking University（北京大学计算机学院）；School of Data Science, Fudan University（复旦大学数据科学学院）
本文针对Itô过程提出条件局部独立性假设检验，基于半鞅分解构造鞅检验统计量，并证明其一致性，应用于动态因果发现及脑fMRI数据。
2025-10-08 cs.LG stat.ME
Conditional randomization tests of causal effects with interference between units
许多因果问题涉及单位之间的相互作用，也称为干扰，例如家庭中的个人，学校中的学生或市场中的公司之间。在本文中，我们形式化的条件反射机制的概念，它提供了一个框架，用于构建有效的和强大的随机化测试下的一般形式的干扰。我们描述了我们的框架中的两阶段随机设计的背景下，并应用我们的方法来随机评估的干预措施，针对学生旷课在费城学区。我们在计算和统计功效方面对现有方法进行了改进。
2018-09-24 stat.AP stat.ME
Beyond Conditional Averages: Estimating The Individual Causal Effect Distribution
本文在个体效应与未暴露潜在结果条件独立的假设下证明个体因果效应分布可识别，并提出灵活潜变量模型从横截面数据估计该分布，通过肝脂肪变性案例验证方法有效性。
2025-04-08 math.ST stat.ME stat.TH
Causal Discovery via Conditional Independence Testing with Proxy Variables
Peking University（北京大学）；Fudan University（复旦大学）
本文针对连续变量因果发现中未观测混杂导致的偏差问题，提出一种基于离散化和代理变量的非参数条件独立性检验方法，并证明其渐近性质，在合成与真实数据上验证了有效性。
2024-05-02 cs.LG stat.ME
Identifying Intended Effects with Causal Models
本文扩展了Judea Pearl的因果推断框架，通过引入目的论推断来建模行动并识别预期效应，定义了混杂效应并引入干涉加以控制，解决了因果分析需纳入意图的根本问题。
2024-02-12 physics.data-an stat.ME
A Fast Kernel-based Conditional Independence test with Application to Causal Discovery
University of Hamburg（汉堡大学）
本文提出FastKCI，一种基于核的快速条件独立性检验方法，通过并行化和专家混合策略提升计算效率，适用于大规模因果发现任务。
2025-12-04 cs.AI cs.LG stat.ML
Using LLMs to Directly Guess Conditional Expectations Can Improve Efficiency in Causal Estimation
Yale University（耶鲁大学）
本文提出利用 LLM 生成的预测直接作为预测变量，以提升双重机器学习中条件期望函数的估计性能，从而有效克服高维混淆因子下的维度灾难并提高因果估计效率。
2025-10-09 cs.LG stat.ME
Causal Inference with Conditional Instruments using Deep Generative Models
Guangxi Normal University（广西师范大学）；University of South Australia（南澳大利亚大学）
工具变量（IV）方法是一种广泛使用的方法，用于从具有潜在混杂因素的观察数据中估计治疗对关注结局的因果影响。标准IV预期与治疗变量相关，且独立于系统中的所有其他变量。然而，由于严格的条件，直接从数据中搜索标准IV具有挑战性。条件IV（CIV）方法已被提出，允许一个变量是一组变量的工具条件，允许更广泛的选择可能的IV和使更广泛的实际应用的IV方法。然而，没有一个数据驱动的方法来发现一个CIV和它的条件集直接从数据。为了填补这一空白，在本文中，我们提出了学习的CIV和它的条件集的信息的表示与潜在的混杂因素的平均因果效应估计的数据。通过利用深度生成模型，我们开发了一种新的数据驱动方法，用于同时从测量变量中学习CIV的表示，并在给定测量变量的情况下生成其条件集的表示。在合成数据集和真实数据集上的大量实验表明，我们的方法优于现有的IV方法。
2022-11-29 cs.AI cs.LG stat.ME
Kernel-based Conditional Independence Test and Application in Causal Discovery
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
条件独立性检验是贝叶斯网络学习和因果发现中的一个重要问题。由于维数灾难，连续变量的条件独立性测试特别具有挑战性。本文提出了一种基于核的条件独立性检验（KCI-test），通过构造一个适当的检验统计量，并在条件独立性的零假设下推导出其渐近分布。所提出的方法是计算效率高，易于实现。实验结果表明，该方法优于其他方法，特别是当条件集很大或样本量不是很大时，在这种情况下，其他方法遇到困难。
2012-02-14 cs.LG stat.ML
Causal Inference via Conditional Kolmogorov Complexity using MDL Binning
Northeastern University（东北大学）；GE Global Research（通用电气全球研究中心）
最近的发展已经将因果推理与数学信息论联系起来，并且已经开发了利用条件柯尔莫哥洛夫复杂性来确定两个随机变量之间的因果关系的方法。我们提出了一种方法来推断因果方向之间的连续变量使用MDL装箱技术的数据离散化和复杂性计算。我们的方法捕获数据的形状，并使用它来确定哪个变量具有更多关于另一个变量的信息。它的高预测性能和鲁棒性在几个真实世界的用例中得到了证明。
2019-11-06 cs.IT cs.LG math.IT
Identifying Nonlinear 1-Step Causal Influences in Presence of Latent Variables
我们提出了一种学习随机动力系统的因果结构的方法，在潜变量的存在下，一个$1$步骤的功能依赖。我们提出了一个信息理论的方法，使我们能够恢复观察到的变量之间的因果关系，只要潜变量的演变没有外源噪声。我们进一步提出了一种有效的学习方法的基础上线性回归的特殊子情况下，动力学被限制为线性。我们通过数值模拟验证了我们的方法的性能。
2017-01-23 cs.IT cs.LG math.IT
Identifying Causal Effects Using Instrumental Variables from the Auxiliary Dataset
Peking University（北京大学）；Beijing Technology and Business University（北京工商大学）；Center for Applied Statistics and School of Statistics, Renmin University of China（中国人民大学应用统计学院和统计学院）
本文提出利用辅助数据集中的工具变量结合结构方程模型，解决非线性治疗效应下的因果效应估计问题，通过构建控制函数和投影方法，提出三步估计器并进行实证分析。
2026-03-29 stat.ME
Identifying average causal effect in regression discontinuity design with auxiliary data
本文针对断点回归设计中远离阈值处平均因果效应难以识别的问题，提出利用辅助变量和额外数据集的识别框架，并给出三种估计方法及渐近推断程序，通过模拟和维生素A补充剂对儿童自闭症严重程度的实证分析验证了方法的有效性。
2025-01-03 stat.ME
Conditional distribution variability measures for causality detection
Universitat Politècnica de Catalunya. Barcelona Tech.（加泰罗尼亚理工大学（巴塞罗那理工））
本文导出了一对随机变量的条件概率分布的变异性测度，并研究了它在因果关系推断中的应用。我们还研究了在ChaLearn因果对挑战的框架中将所提出的措施与标准统计措施相结合。开发的模型在最终测试数据库中获得了0.82的AUC评分，在挑战中排名第二。
2016-01-25 cs.LG stat.ML
Identifying Total Causal Effects in Linear Models under Partial Homoscedasticity
本文研究线性结构因果模型中偏同方差性假设对总因果效应可识别性的充分性，并在结构不确定性下构建严格置信区域、通过模拟评估更强误差假设的性能收益。
2024-08-12 math.ST stat.ME stat.TH
Identification and Estimation of Conditional Average Partial Causal Effects via Instrumental Variable
Yokohama National University（横滨国立大学）；Iowa State University（爱荷华州立大学）
本文研究了连续处理下揭示异质因果效应的条件平均部分因果效应（CAPCE），在工具变量设定下提供了较以往更弱假设的识别条件，并开发了sieve、参数化和基于RKHS的三类估计器且验证了其有效性。
2024-05-30 cs.LG stat.ML
Testing Causal Models with Hidden Variables in Polynomial Delay via Conditional Independencies
Purdue University（普渡大学）；Columbia University（哥伦比亚大学）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
针对含隐变量因果模型测试中条件独立性（CIs）列举耗时呈指数级的问题，本文提出c-分量局部马尔可夫性质（C-LMP），并开发了首个能在含隐变量因果图中以多项式延迟列举CIs的算法，实验验证了其实用性。
2025-06-26 cs.AI cs.LG stat.ME
Causal Partial Identification via Conditional Optimal Transport
Stanford University（斯坦福大学）；University of Southern California（南加州大学）
本文提出了一种基于条件最优传输的直接非参数估计方法，用于单个单位的因果部分识别，通过更强拓扑下的连续性证明，提高了估计的一致性和有效性。
2026-02-12 stat.ME
Proximal Causal Learning of Conditional Average Treatment Effects
Stanford University（斯坦福大学）；Zhejiang University（浙江大学）
针对可交换性假设不成立时，提出基于代理变量的P学习器，通过两阶段损失函数估计条件平均处理效应，并可用现成机器学习方法实现，核回归下满足预言机误差界。
2023-05-09 cs.LG stat.ME stat.ML
A Bayesian Nonparametric Conditional Two-sample Test with an Application to Local Causal Discovery
对于连续随机变量$Z$，条件独立性$X \perp\!\!\!\perp Y |Z$的检验是一个非常困难的问题.它构成了许多基于约束的因果发现算法的关键成分。这些算法通常应用于包含二进制变量的数据集，这些变量指示观察结果的“上下文”，例如实验中的对照组或治疗组。在这些设置中，使用$X$或$Y$二进制（以及其他连续）的条件独立性测试对于因果发现算法的性能至关重要。据我们所知，目前不存在非参数“混合”条件独立性检验，在实践中，假设所有变量都是连续的检验被用来代替。在本文中，我们的目标是填补这一空白，因为我们结合了Holmes et al.（2015）和Teymur and Filippi（2020）的元素，提出了一种新的贝叶斯非参数条件双样本检验。应用到本地因果发现算法，我们研究其性能的合成和真实世界的数据，并与最先进的条件独立性测试。
2021-12-20 math.ST stat.TH
A Survey of Causal Inference Frameworks
因果推断是一门多学科发展和应用的科学。一方面，它基于试验设计和严格的统计推断来衡量观察数据中的治疗效果，以得出因果关系陈述。潜在结果框架是量化因果效应最有影响力的框架之一。另一方面，因果图模型利用有向边来表示因果关系，并对图中变量之间的条件独立关系进行编码。从图中读出条件独立句和重构因果结构两个方面都做了一系列的研究。近年来，对因果推断的最新研究开始将不同的因果推断框架统一起来。本综述旨在回顾过去关于因果推断的工作，主要集中在潜在结果框架和因果图模型。我们希望这一调查将有助于加快理解因果推断在不同领域。
2022-09-02 stat.ME
Effects conditional on post-treatment events generated by independent mechanisms
Institute of Mathematics, École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院数学研究所）
研究治疗后事件如失访等常出现，基于此类事件的结果比较缺因果解释。提出若治疗等通过“独立机制”产生事件，可不调整共同原因就能识别相关因果效应，通过相关研究说明了该结果。
2026-07-28 stat.ME
Recovering Causal Structures from Low-Order Conditional Independencies
University of Lübeck（吕贝克大学）
从数据中学习因果模型的一个常见障碍是随机变量之间的高阶条件独立（CI）关系难以估计。由于CI测试的条件集的低阶可以准确地执行，即使是少量的观察，一个合理的方法来确定因果结构是基于低阶CI。最近的研究已经证实，例如，在稀疏真因果模型的情况下，即使从零阶和一阶条件独立性中学习到的结构也会产生模型的良好近似。然而，一个具有挑战性的任务是提供方法，忠实地解释一组给定的低阶CI。在本文中，我们提出了一个算法，对于一个给定的条件独立的顺序小于或等于$k$，其中$k$是一个小的固定数，计算一个忠实的图形表示给定的集合。我们的研究结果完成和推广了以前的工作，从成对的边缘独立性学习。此外，它们能够改进0-1图模型，例如，该模型在基因组网络的估计中大量使用。
2020-10-06 cs.AI cs.LG stat.ML
Causal Discovery from Conditionally Stationary Time Series
Imperial College London（帝国理工学院）；University of Dundee（邓迪大学）
本文提出状态依赖因果推断（SDCI）方法，通过将非平稳性建模为以潜在状态为条件的平稳性，实现条件平稳时间序列中的因果发现，并在粒子交互、基因调控和NBA球员运动预测中验证其优越性。
2025-06-05 cs.LG stat.ML
On Identifiability of Conditional Causal Effects
EPFL（洛桑联邦理工学院）；Technical University of Munich（慕尼黑工业大学）
本研究针对给定因果图和混合观测/干预分布下的任意条件因果效应，提出c-gID问题并给出可靠完备算法，证明do-演算完备性，扩展了gID及仅观测分布情形下的可识别性结果。
2023-06-19 cs.AI math.ST stat.TH
Functional Causal Discovery via Conditional Covariance Ordering
Tongji University（同济大学）
本研究提出一种基于条件协方差算子范数比较的混合回归方法，用于函数变量的因果发现，无需结构或分布假设，并能估计DAG，在模拟和真实脑连接数据中表现良好。
2026-09-24 stat.ME 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
Proximal Causal Inference for Conditional Separable Effects
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；University of Pennsylvania（宾夕法尼亚大学）
本文提出了一种允许未测量混杂因素的条件可分离效应推断方法，通过非参数识别和机器学习估计器改进了因果推断结果。
2026-02-17 stat.ME
Identifying and Estimating Principal Causal Effects in Multi-site Trials
随机试验通常在多个地点进行单独的随机化，如学校，投票区或医院。这些网站可能在重要方面有所不同，包括网站的实现，当地条件和个人的组成。实践中的一个重要问题是，研究人员是否以及在什么样的假设下可以利用这种跨站点的变化来了解更多关于干预的信息。我们在主要分层框架中解决这些问题，该框架描述了由治疗后数量定义的亚组的因果效应。我们表明，研究人员可以通过多站点设计估计某些主要的因果效应，如果他们愿意施加强有力的假设，即站点特定的影响是不相关的，与站点特定分布的阶层成员。我们激励这种方法与早期大学高中倡议，一个独特的中学教育计划，以提高高中毕业率和大学入学率的目标多地点试验。我们的分析证实了以前的研究表明，该倡议有积极的影响，否则谁会参加一个低质量的高中的学生，虽然权力是有限的。
2018-03-16 stat.ME
Characterization and Learning of Causal Graphs with Small Conditioning Sets
Purdue University（普渡大学）
本文针对小样本条件下条件独立性检验因条件集过大而失效的问题，提出 $k$-Markov 等价概念及 $k$-PC 算法，通过限制条件集大小上界实现更稳健的因果图学习。
2023-10-28 cs.AI cs.LG stat.ML
Identifying Principal Stratum Causal Effects Conditional on a Post-treatment Intermediate Response
在早期乳腺癌的新辅助治疗试验中，患者通常被随机分配到对照组和具有额外靶向治疗的治疗组。通过二元病理学完全缓解（pCR）评估新方案的早期疗效，并通过长期临床结局（如生存期）评估最终疗效。尽管pCR与生存率密切相关，但尚未证实其为替代终点。为了充分理解其临床意义，重要的是建立因果被估量，例如在新方案下将实现pCR的患者的生存率的因果效应。在主分层框架下，以往的研究主要集中在通过改变模型参数对反事实结果进行敏感性分析。在温和的假设下，我们提出了一种方法来估计这些模型参数，使用经验数据，随后的因果估计的兴趣。我们还扩展了我们的方法来处理删失的结果数据。该方法适用于最近的临床试验，其性能通过模拟研究进行评估。
2022-03-20 stat.AP stat.ME
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
Distributional Causal Mediation via Conditional Generative Modeling
提出分布因果中介分析框架，通过条件生成模型学习中介变量和结果变量的条件分布，利用蒙特卡洛前向模拟重建干预结果分布，捕捉能量距离和Wasserstein距离等分布对比，并推导误差传播界限。
2026-06-28 cs.LG stat.ML
A Potential Outcomes Calculus for Identifying Conditional Path-Specific Effects
do-calculus是一个著名的演绎系统，用于推导干预和观察分布之间的联系，并已被证明是完整的因果推断中的一些重要的可识别性问题。然而，正如目前所定义的，do演算不适用于涉及复杂嵌套反事实的因果问题，这些反事实不能用“do”运算符表示。这些问题包括分析特定路径的影响和动态治疗制度。在本文中，我们提出了潜在结果演算（po演算），这是do演算对任意潜在结果的自然推广。因此，我们提供了一个桥梁识别方法，其起源于人工智能和统计，分别。我们使用po-calculus给出了一个完整的识别算法的条件路径特定的影响与应用程序的问题，在中介分析和算法的公平性。
2019-03-08 stat.ME
Nonparametric causal structure learning in high dimensions
PC和FCI算法是流行的基于约束的方法，用于学习有向无环图（DAG）的结构，分别在存在和不存在潜在变量和选择变量的情况下。这些算法（以及它们的阶数无关的变体，PC稳定和FCI稳定）已经被证明是一致的，用于学习基于偏相关的稀疏高维DAG。然而，从偏相关性推断条件独立性是有效的，如果数据是联合高斯或从线性结构方程模型生成的-在许多应用中可能违反的假设。为了拓宽高维因果结构学习的范围，我们提出了PC稳定和FCI稳定算法的非参数变体，这些算法采用条件距离协方差（CdCov）来测试条件独立关系。作为关键的理论贡献，我们证明了高维的PC稳定和FCI稳定算法的一致性进行一般分布的DAG时，我们实现了基于CdCov-based的非参数检验的条件独立性。数值研究表明，我们提出的算法表现得几乎一样好的PC稳定和FCI稳定的高斯分布，并提供在非高斯图形模型的优势。
2021-06-21 stat.ME
Identifying Unmeasured Confounders in Panel Causal Models: A Two-Stage LM-Wald Approach
本文提出一种两阶段LM-瓦尔德方法，用于检测面板因果模型中未测量的混杂因素，通过模拟和实证应用验证其有效性。
2026-02-15 stat.ME
