Causal Effect Estimation for Multivariate Continuous Treatments
因果推断广泛应用于生物学、心理学和经济学等领域。在观察研究中，我们需要在估计因果效应之前对协变量进行平衡。本研究将一维熵平衡法扩展到多维，以平衡协变量。提出了估计多变量连续处理因果效应的参数和非参数方法，并给出了这两种估计的理论性质。仿真结果表明，该方法在各种情况下都优于其他方法。最后，我们应用该方法分析了吸烟时间和频率对医疗费用的影响。研究结果表明，吸烟频率会显著增加医疗费用，而吸烟时间不会显著增加医疗费用。
2022-05-18 stat.AP stat.ME
Causal Discovery in Multivariate Extremes with a Hydrological Analysis of Swiss River Discharges
本文提出一种基于最大吸引域和广义帕累托向量表示的模型无关因果得分，通过Wasserstein距离比较方向，用于多元极值因果发现，并在瑞士水文数据上验证。
2024-05-23 stat.AP stat.ME
Causal Inference using Multivariate Generalized Linear Mixed-Effects Models with Longitudinal Data
根据个体的特征和纵向病史，动态预测不同治疗方案下的因果效应是精准医学中的一个基本问题。这在实践中是具有挑战性的，因为在观察性研究中结局和治疗分配机制是未知的，个体的治疗疗效是反事实的，并且选择偏倚的存在通常是不可避免的。我们提出了一个贝叶斯框架，通过调整贝叶斯g计算算法（J. Robins，1986; Zhou，Elliott，& Little，2019）来识别动态治疗方案的亚组反事实益处，以纳入多变量广义线性混合效应模型。在假定的结局、时变混杂因素和治疗分配的联合分布中，未测量的时不变因素被确定为受试者特异性随机效应。现有的方法大多假设没有不可测量的混杂，并专注于平衡不同治疗之间观察到的混杂分布，而我们的方法允许存在时不变的不可测量的混杂。我们提出了一个连续的可验证性假设的基础上治疗分配异质性，这是类似于平衡的潜在趋势，由于不可测量的时不变因素超出了可观察到的每一个治疗。我们使用模拟研究来评估所提出的方法的性能对各种模型假设的敏感性。该方法应用于观察性临床数据，以研究连续使用霉酚酸酯在不同亚组的硬皮病患者中的疗效。
2023-03-03 stat.ME
MXMap: A Multivariate Cross Mapping Framework for Causal Discovery in Dynamical Systems
McGill University（麦吉尔大学）；Hydro-Québec Research Institute (IREQ)（魁北克水电研究学院（IREQ））
本文提出多变量交叉映射框架MXMap，通过成对CCM建立初始因果图并用multiPCM剪除间接因果连接，在模拟数据与ERA5天气数据上验证了其在因果发现准确性和图细化方面的优势。
2025-02-06 cs.LG math.DS stat.ME
Sparse Causal Discovery in Multivariate Time Series
我们的目标是在多变量时间序列中估计因果相互作用。使用向量自回归（VAR）模型，这些可以基于属于相应时滞实例的非零系数来定义。由于在大多数情况下，假设一个简约的因果关系结构，因果发现的一个有前途的方法包括拟合VAR模型与额外的稀疏促进正则化。沿着这条线，我们在这里提出，稀疏性应强制属于每对时间序列的系数的子组，因为因果关系的缺乏需要所有时滞的系数共同变为零。这种行为可以通过l1-l2范数正则化回归来实现，最近已经提出了一种有效的活动集求解器。我们的方法被证明优于标准方法在恢复模拟因果关系图。结果与第二种使用多重统计检验的新方法相当。
2009-01-15 stat.AP stat.ME stat.ML
cc-Shapley: Measuring Multivariate Feature Importance Needs Causal Context
Physikalisch-Technische Bundesanstalt（德国联邦物理技术研究院）；Technische Universität Berlin（柏林工业大学）；Charité – Universitätsmedizin Berlin（柏林夏里特医学院）
本文提出cc-Shapley方法，通过结合因果结构修正传统Shapley值，以避免因 collider bias 引起的虚假关联，提升特征重要性评估的准确性。
2026-03-27 cs.LG stat.ME
Out-of-distribution robustness for multivariate analysis via causal regularisation
Universitat de Valencia（瓦伦西亚大学）
本文提出一种基于因果关系的锚正则化策略，将其引入偏最小二乘、降秩回归等经典多变量分析算法的损失函数中，以实现分布外泛化，并通过合成数据与气候科学问题验证其一致性和有效性。
2025-03-11 cs.LG stat.AP stat.ME
Causal Discovery in Multivariate Time Series through Mutual Information Featurization
Machine Learning Group, Computer Science Department, Universite' Libre de Bruxelles（布鲁塞尔自由大学计算机科学系机器学习小组）
本文提出TD2C框架，将因果发现从统计检验转为模式识别，利用信息论特征监督学习，在合成数据训练后零样本泛化，高维非线性场景性能领先。
2025-08-03 cs.LG stat.ME stat.ML
Solved problems and remaining challenges for Granger causality analysis in neuroscience: A response to Stokes and Purdon (2017)
Granger-Geweke因果关系（GGC）是神经科学中用于识别定向功能（“catheter”）连接的强大且流行的方法。在最近的一篇论文中，Stokes和Purdon [1]对它的使用提出了一些担忧。他们提出了两个主要主张：（1）GGC估计可能存在严重偏差或高方差，（2）GGC未能揭示系统的完整结构/因果机制。然而，这些说法分别基于对文献的不完整评估和对GGC可以测量的内容的误解。在这里，我们解释了现有的方法（例如，在我们流行的MVGC软件[2，3]中实现的方法）如何解决第一个问题，并讨论了功能和有效神经连接之间经常被误解的区别，这是斯托克斯和珀登的第二个主张的基础。[1]帕特里克·A斯托克斯和帕特里克。L. Purdon（2017），从神经科学的角度研究Granger因果关系分析中遇到的问题，Proc. Natl。Acad. Sci. USA 114（34）：7063-7072. [2]莱昂内尔·巴内特和阿尼尔·K. Seth（2012），MVGC Multivariate Granger Causality Matlab toolbox，http://users.sussex.ac.uk/~lionelb/MVGC/ [3] Lionel Barnett and Anil K. Seth（2014），MVGC多变量Granger因果关系工具箱：Granger-因果推断的新方法…
2018-02-06 stat.ME
Causal Structure Learning
图形模型可以以方便和可访问的形式将多变量分布表示为图形。因果模型可以看作是一类特殊的图模型，它不仅表示被观测系统的分布，而且表示在外部干预下的分布。因此，它们能够在假设的干预下进行预测，这对决策很重要。从数据中学习因果模型的挑战性任务总是依赖于一些基本假设。我们讨论了最近提出的几种结构学习算法及其假设，并比较了它们在各种情况下的经验性能。
2017-06-28 stat.ME
Differentiable Causal Discovery of Linear Non-Gaussian Acyclic Models Under Unmeasured Confounding
本文提出ABIC LiNGAM方法，扩展线性非高斯无环模型以处理未测量混杂下的因果发现，利用多元广义正态误差和连续优化恢复因果方向，并提供可识别性理论保证及实验验证。
2025-01-22 stat.ME
Tensor Completion for Causal Inference with Multivariate Longitudinal Data: A Reevaluation of COVID-19 Mandates
提出基于张量补全的因果推断方法，利用多变量纵向数据填补反事实结果，发现其他方法高估口罩指令效果，且口罩指令非旅行限制的有效替代。
2023-11-19 stat.AP stat.CO stat.ME
Causal Inference on Multivariate and Mixed-Type Data
Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）；Saarland University（萨尔大学）
给定两个随机变量$X$和$Y$的联合分布上的数据，我们考虑了在$X$和$Y$之间推断最可能因果方向的问题。特别是，我们考虑一般情况下，其中$X$和$Y$可以是单变量或多变量，以及相同或混合的数据类型。我们采取信息理论的方法，基于Kolmogorov复杂性，由此得出，首先描述的数据的原因，然后的效果给定的原因是短于相反的方向。理想的分数是不可计算的，但可以通过最小描述长度（MDL）原则来近似。基于MDL，我们提出了两个分数，一个用于当$X$和$Y$都是相同的单一数据类型时，一个用于当它们是混合类型时。我们使用分类和回归树对$X$和$Y$之间的依赖关系进行建模。由于推断最优模型是NP难的，我们提出了Crack，一个快速贪婪算法，直接从数据中确定最可能的因果方向。对各种数据的实证评估表明，Crack可靠且准确度高，可以在单变量和多变量因果对上推断出正确的因果方向。
2017-10-16 cs.LG stat.ML
Bayesian Causal Forests for Multivariate Outcomes: Application to Irish Data From an International Large Scale Education Assessment
Hamilton Institute（汉密尔顿研究所）；Maynooth University（梅努斯大学）；Department of Mathematics and Statistics, Maynooth University（梅努斯大学数学与统计系）
贝叶斯因果森林（Bayesian Causal Forests，BCF）是一种因果推断机器学习模型，基于高度灵活的非参数回归和分类工具，称为贝叶斯加性回归树（Bayesian Additive Regression Trees，BART）。从国际数学和科学研究（TIMSS）的趋势，其中包括在数学和科学的学生成绩的数据的动机，我们提出了一个多元扩展的BCF算法。在模拟研究的帮助下，我们表明，我们的方法可以准确地估计因果关系的多个结果受到相同的治疗。我们还将我们的模型应用于TIMSS 2019的爱尔兰数据。我们的研究结果揭示了在家里使用书桌的积极影响（数学ATE 95% CI：[0.20，11.67]），同时也强调了学生在学校经常感到饥饿的负面影响。（数学ATE 95% CI：[-11.15，-2.78]，科学ATE 95% CI：[-10.82，-1.72]）或经常缺失（数学ATE 95% CI：[-12.47，-1.55]）。
2023-03-08 cs.LG stat.AP stat.ML
Causal Generative Neural Networks
我们提出了因果生成神经网络（CGNNs）从观测数据中学习函数因果模型。CGNN利用条件独立性和分布不对称性来发现二元和多元因果结构。CGNNs不假设缺乏混杂因素，并通过使用反向传播来学习数据的可微生成模型。大量的实验表明，他们的良好的表现相对于最先进的观测因果发现的模拟和真实数据，相对于因果推理，v-结构识别，和多元因果发现。
2018-02-05 stat.ML
Causal invariance in graphical models with latent variables
University of Florence（佛罗伦萨大学）；University of Trento（特伦托大学）
本文研究含潜变量时因果不变性原理的适用条件，刻画了观测变量诱导图的结构，并给出了多变量高斯目标下检验不变性的充要条件。
2026-06-12 stat.ME
Causal discovery in heavy-tailed linear structural equation models via scalings
针对带正则变化噪声的重尾线性结构方程模型，提出基于极值角测度尺度参数的因果发现算法，证明一致性并在模拟与河流流量数据上验证其竞争力。
2025-02-19 stat.ME
M-CaStLe: Uncovering Local Causal Structures in Multivariate Space-Time Gridded Data
Scientific Machine Learning, Center for Computing Research（科学机器学习，计算研究中心）；Sandia National Laboratories（沙伊达国家实验室）；Zicklin School of Business Baruch College, CUNY（巴鲁克学院Zicklin商学院，纽约大学）；Department of Computer Science University of New Mexico（新墨西哥大学计算机科学系）；Department of Atmospheric & Oceanic Science University of Maryland（马里兰大学大气与海洋科学系）；Santa Fe Institute（圣菲研究所）
M-CaStLe通过联合建模局部变量内和跨变量时空因果结构，改进了CaStLe算法，适用于高维数据中的因果发现，提升了解释性。
2026-05-01 cs.LG physics.ao-ph stat.ML
Enabling Causal Discovery in Post-Nonlinear Models with Normalizing Flows
Applied Artificial Intelligence Institute (A2I2)（应用人工智能研究所）；Deakin University（迪肯大学）
针对Post-Nonlinear因果模型中可逆性约束难以捕捉的问题，提出基于归一化流的因果发现方法CAF-PoNo，通过精确重构隐藏噪声实现双变量与多变量因果发现，性能优于现有先进方法。
2024-08-29 cs.AI cs.LG stat.ME
Re-examining Granger Causality with Causal Bayesian Networks and Reichenbachs Principles
Univie Doctoral School of Computer Science (DOCS)（维也纳计算机科学博士学院）
本文通过赖兴巴赫原理和因果贝叶斯网络重新解释格兰杰因果关系，提出因果化格兰杰因果关系（c-GC）算法，赋予其稳健的因果解释，并在合成数据上取得满意结果。
2026-07-31 cs.LG econ.EM stat.ME
Regime Identification for Improving Causal Analysis in Non-stationary Timeseries
本文提出将区制识别技术应用于多变量非平稳时间序列，利用黎曼空间协方差矩阵划分局部平稳区段，并通过合成与真实数据验证了按区制分析可有效改进因果结构发现。
2024-04-12 stat.AP
Assessing the overall and partial causal well-specification of nonlinear additive noise models
本文提出一种检测非线性加性噪声模型中设定错误的方法，并识别在模型误设下仍可推断因果效应的预测变量，通过通用框架和有限样本算法在模拟与真实数据上验证其性能。
2024-03-27 stat.ME stat.ML
Consistent Causal Inference from Time Series with PC Algorithm and its Time-Aware Extension
本文研究非独立同分布的平稳多元时间序列场景，证明了在ρ-混合等标准假设下，PC算法及Time-Aware PC算法的因果DAG估计具有一致性，且适用于VARMA等常用模型，实验验证了结论。
2022-10-14 stat.AP stat.ME
Causal mechanism of extreme river discharges in the upper Danube basin network
多瑙河流域的极端水文事件可能严重影响人口、水生生物和经济活动。人们经常使用多变量和空间极值理论及其渐近合理的模型来表征极端事件的联合结构。然而，人们感兴趣的是连锁极端事件以及一个事件是否会导致另一个事件。在本文中，我们认为，通过结合极值模型和因果发现，可以更好地理解严重事件的机制。我们构建了一个因果推断方法依赖于极端条件分位数的柯尔莫哥洛夫复杂性的概念。尾量来自使用多变量极值模型和尾诱导的不对称性的数据进行了探讨，通过最小描述长度原则。我们的CausEV，因果关系的极端值，方法揭示了夏季极端的多瑙河流域上游的河流排放之间的因果关系，并发现显着的因果关系之间的联系，多瑙河和阿尔卑斯山的支流莱希。
2020-04-01 stat.AP
Information-theoretic signatures of causality in Bayesian networks and hypergraphs
Imperial College London（帝国理工学院）；University Hospital Würzburg（维尔茨堡大学医院）
本文探讨了信息论方法在贝叶斯网络和超图中识别因果关系的潜力，通过部分信息分解揭示了因果结构的局部特性，为因果推断提供了新的理论基础。
2026-04-12 cs.IT math.IT stat.ML
Addressing Spatially Structured Interference in Causal Analysis Using Propensity Scores
环境流行病学家对建立暴露与健康结果之间的因果关系越来越感兴趣。因果推断的一个流行模型是鲁宾因果模型（RCM），它通常试图估计研究单位潜在结果的平均差异。RCM的一个重要假设是无干扰;也就是说，一个单元的潜在结果不受其他单元暴露状态的影响。如果我们期望基于单位与其他单位的接近度的暴露效应的溢出或扩散以及其他几个因果被估量出现，则违反了无干扰假设。空气污染流行病学通常违反了这一假设，当我们预计逆风事件影响顺风或附近的位置。本文采用社会网络研究的因果假设，以解决干扰，并允许估计直接和溢出的因果效应。我们使用倾向得分为基础的方法来估计这些影响时，考虑到环境保护局的2005年的空气动力学直径小于2.5微克每立方米（PM2.5）的颗粒物对肺癌发病率的影响，使用县级数据从监测，流行病学和最终结果（SEER）计划。我们比较这些方法在一个严格的模拟研究，同时考虑空间自相关变量，干扰和缺失的混杂因素。我们发现，修剪和匹配的基础上的倾向得分产生最高的概率覆盖率的真正的因果效应和较低的均方误差。当应用于研究问题时，我们发现了保护性的直接和溢出因果效应。
2021-01-22 stat.AP
Causal-TS: A Python Library for Causal Discovery in High-Dimensional and Nonstationary Time Series
Bloomberg LP（彭博有限合伙企业）
介绍用于高维非平稳时间序列因果发现的Python库Causal-TS，它含多种算法及包装器，有统一CI测试层并支持GPU加速，通过状态发现管道检测断点，还有命令行等工具提供端到端管道，可pip安装且经测试。
2026-07-28 cs.LG stat.ME
Multivariate Counterfactual Systems And Causal Graphical Models
在朱迪亚珍珠的许多贡献因果关系和统计，图形d-分离}标准，做演算和调解公式脱颖而出。在本章中，我们将证明d-分离}可以直接洞察最初根据潜在结果和事件树描述的早期因果模型。反过来，由此产生的合成导致简化的做演算，澄清和分离的基本概念，和一个简单的反事实制定的因果模型中的一个完整的识别算法与隐藏变量。
2021-08-28 stat.ME
An Optimal Transport Approach to Estimating Causal Effects via Nonlinear Difference-in-Differences
本研究提出一种基于最优输运的非线性双重差分方法，可估计多变量反事实分布，推广了现有因果推断方法，经合成与真实数据验证，能更细致揭示最低工资上调对快餐店用工结构的影响。
2024-03-08 econ.EM math.ST stat.ME
Functional Bayesian Networks for Discovering Causality from Multivariate Functional Data
多元函数数据有着广泛的应用。一项基本任务是理解这些功能对象之间的因果关系，这一点尚未得到充分探讨。在这篇文章中，我们开发了一个新的贝叶斯网络模型的多元函数数据的条件独立性和因果结构都编码的有向无环图。具体地说，我们允许函数对象偏离高斯过程，这是大多数现有的函数数据分析模型所采用的。更合理的非高斯假设是唯一的因果结构识别的关键，即使在测量的函数与噪声。设计了一个完全贝叶斯框架，通过后验摘要来推断具有自然不确定性量化的功能贝叶斯网络模型。仿真研究和实际数据的例子被用来证明所提出的模型的实际效用。
2022-10-23 stat.ME
Identifiability of Treatment Effects with Unobserved Spatially Varying Confounders
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Chicago（芝加哥大学）；Washington University（华盛顿大学）
本文研究了在存在未观测空间变化混杂因素时处理效果的可识别性，通过线性模型和参数假设分析，探讨了不同空间模型下因果推断的可行性及注意事项。
2026-02-26 math.ST stat.ME stat.TH
A Reflection on the Impact of Misspecifying Unidentifiable Causal Inference Models in Surrogate Endpoint Evaluation
该研究针对替代终点评估中部分可识别的因果推断模型设定错误问题，通过理论分析与蒙特卡洛模拟探究两种分布场景下的影响差异，并结合真实数据集验证不同模型的结果差异，为替代终点评估的模型选择提供参考。
2024-10-06 math.ST 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
Causal Discovery via Quantile Partial Effect
Shanghai Key Laboratory of Trustworthy Computing, East China Normal University（华东师范大学上海市可信计算重点实验室）
本文提出分位数偏效应(QPE)作为因果发现的统计量，证明在有限线性空间假设下，因果方向可从观测分布中识别，扩展了传统因果模型的可识别性结果，并通过基函数测试区分因果方向，验证了Fisher信息在多变量因果发现中的有效性。
2026-04-04 cs.LG stat.ML
Kernel Balancing: A flexible non-parametric weighting procedure for estimating causal effects
在不存在未观察到的混杂因素的情况下，匹配和加权方法被广泛用于估计因果量，包括对治疗者的平均处理效应（ATT）。不幸的是，这些方法不一定能实现其目标，即使对照组的协变量的多变量分布与治疗组的协变量分布相同，使两组之间的协变量的一些（潜在的多变量）函数具有不同的平均值。当这些“不平衡”的功能影响非治疗的潜在结果时，对观察到的协变量的调节失败，ATT估计可能有偏差。本文介绍的核平衡针对无偏ATT估计的较弱要求，特别是治疗组和对照组的预期非治疗潜在结局相等。假设非治疗潜在结果的条件期望落在与内核选择相关的函数空间中，这意味着一组基函数，其中该回归曲面是线性的。然后在对照单位上选择权重，使得处理组和对照组在这些基函数上具有相等的平均值。因此，在加权后，治疗组和对照组的非治疗潜在结局的预期也必须相等，允许通过随后的平均值差异或使用这些权重的结局模型进行无偏ATT估计。此外，所产生的权重是（1）精确地均衡治疗组和对照组协变量的多变量分布的特定基于核的近似值的权重，以及（2）等同于一种形式的稳定化反向倾向得分加权，尽管它不需要假设任何治疗分配机制模型。提供了一个R包KBAL来实现这种方法。
2016-04-30 math.ST stat.AP stat.ME
Rethinking the Win Ratio: A Causal Framework for Hierarchical Outcome Analysis
PreMeDICaL Inria-Inserm, University of Montpellier（蒙彼利埃大学）
本文提出一种新的个体层面因果效应度量，用于更准确地近似理想个体层面估计量，在随机对照试验和观察性研究中通过最近邻配对计算胜率比率或净收益，并开发了分布回归框架和半参数高效估计器。
2026-03-23 math.ST stat.AP stat.ME
Detecting causality in multivariate time series via non-uniform embedding
基于非一致嵌入方案的因果分析是发现动态系统间潜在相互作用的重要方法。然而，传统的非均匀嵌入方案在估计高维条件互信息和形成最优混合嵌入向量方面仍存在一些障碍。在这项研究中，我们提出了一个新的非均匀嵌入方法的信息论框架来检测因果关系的多变量时间序列，命名为LM-PMIME，它集成了低维近似的条件互信息和混合搜索策略的混合嵌入向量的建设。我们将该方法应用于线性随机，非线性随机和混沌系统的模拟，证明其优越性部分条件互信息从混合嵌入（PMIME）方法。此外，所提出的方法适用于多变量时间序列与弱耦合强度，特别是混沌系统。在实际应用中，我们展示了它对癫痫多通道皮层电图记录的适用性。
2019-12-14 stat.ME
Multivariate Bayesian dynamic modeling for causal prediction
本研究提出用于因果推断的多元贝叶斯动态建模方法，通过共轭模型实现高效序贯学习与不确定性量化，经超市促销实验验证，凸显跨处理组因果推断中恰当不确定性量化的重要性。
2024-06-19 stat.ME
Higher order definition of causality by optimally conditioned transfer entropy
Institute of Computer Science of the Czech Academy of Sciences（捷克科学院计算机科学研究所）；Faculty of Nuclear Sciences and Physical Engineering, Czech Technical University（捷克技术大学核科学与物理工程系）；National Institute of Mental Health（国家心理健康研究所）
针对标准因果概念无法反映高阶协同交互的问题，提出基于信息论的因果推断泛化方法，通过最优条件转移熵实现多变量因果交互描述，推动从因果网络向因果超网络发展。
2025-04-29 cs.IT cs.LG math.IT
Statistical Inference for Local Granger Causality
本文针对多元局部平稳过程提出了局部Granger因果关系的统计推断方法，基于局部Whittle似然估计频域时变谱密度矩阵以捕捉非平稳时间序列中演变的因果关系，并验证了其在脑信号与金融数据分析中的有效性。
2021-08-04 stat.ME
Causal tail coefficient for compound extremes in multivariate time series
本文提出复合因果尾部系数及bootstrap检验框架，用于检测多元时间序列中复合极端事件之间的因果关系，可处理非线性与潜在混杂变量，并通过理论、模拟和空间天气数据验证其有效性。
2025-09-23 stat.ME
From dependency to causality: a machine learning approach
Université Libre de Bruxelles（布鲁塞尔自由大学）；Interuniversity Institute of Bioinformatics in Brussels（布鲁塞尔大学生物信息学研究所）
统计依赖性和因果关系之间的关系是所有因果推断的统计方法的核心。ChaLearn因果对挑战的最新结果表明，由于数据驱动的方法，因果方向性也可以在马尔可夫不可区分的配置中以良好的准确性推断出来。本文提出了一种有监督的机器学习方法来推断存在的有向因果关系的两个变量之间的多元设置与$n>2$变量。该方法依赖于两个变量因果连接的马尔可夫毯成员之间的一些条件（不）依赖关系的不对称性。我们的研究结果表明，监督学习方法可以成功地用于提取因果信息的基础上的非对称统计描述符也为$n>2$变量分布。
2014-12-19 cs.AI cs.LG stat.ML
Identifiability of an Integer Modular Acyclic Additive Noise Model and its Causal Structure Discovery
因果关系的概念在许多处理不确定性的情况下使用。本文研究了在给定数据集由离散随机变量而不是连续随机变量产生的情况下，因果关系能否被识别的问题。特别是，对于非二进制数据，迄今为止，除了极少数情况外，仅知道可以确定因果关系。本文给出了二元整数模非循环加性噪声（IMAN）的充要条件。此外，我们以更明确的方式将二元和多元因果可识别性联系起来，并开发了一种实用的算法来查找变量及其父集的顺序。我们证明了它的性能，在应用程序中的人工数据和现实世界的身体运动数据与传统的方法相比。
2014-01-22 stat.ML
Tangential Wasserstein Projections
University of Michigan（密歇根大学）；MITRE（MITRE公司）；Ross School of Business（罗斯商学院）
我们开发了一个概念之间的投影集的概率测度使用的2-Wasserstein空间的几何性质。它是为一般的多元概率测度而设计的，实现起来计算效率高，并且在常规设置中提供了唯一的解决方案。我们的想法是工作的经常切锥的Wasserstein空间使用广义测地线。它的结构和计算特性使该方法适用于各种设置，从因果推断的对象数据的分析。估计因果效应的应用程序产生的综合控制的概念与个人层次的异质性，以及一种方法来估计最佳的权重联合在所有时间段的多变量数据的推广。
2022-08-02 cs.LG econ.EM math.ST
A novel principal component analysis for spatially-misaligned multivariate air pollution data
我们提出了新的方法预测（稀疏）PCA与空间错位的数据。这些方法识别主成分载荷向量，其解释观测数据中尽可能多的可变性，同时还确保在空气污染测量不可用的位置处通过空间统计学可以准确地预测对应的主成分分数。这将使得有可能确定空气污染物的重要混合物，并在无法使用现有方法的队列研究中量化其健康影响。我们证明了预测（稀疏）PCA在模拟数据中的实用性，并将该方法应用于国家环境保护局（EPA）监管监测器的颗粒物形态数据的年平均值。
2015-09-03 stat.ME
Causal Meta-Analysis by Integrating Multiple Observational Studies with Multivariate Outcomes
针对整合多项观察性研究进行因果比较的挑战，提出基于伪总体的协变量平衡框架及FLEXOR加权方法，用于多队列多组元分析，并通过模拟和TCGA数据验证其有效性和可靠性。
2024-07-17 stat.ME
Compositional dynamic modelling for causal prediction in multivariate time series
本文基于多元动态模型的序列贝叶斯分析理论，提出一种用于多元时间序列因果预测的组合动态建模方法，扩展了贝叶斯反事实分析，并定义了结果自适应建模概念，通过商业营销干预案例验证了方法的有效性。
2024-06-04 stat.AP stat.ME
Detecting direct causality in multivariate time series: A comparative study
格兰杰因果关系的概念越来越多地被用于描述不同应用中的定向相互作用。一个多变量的框架，估计格兰杰因果关系是必不可少的，以占所有可用的信息，从多变量时间序列。然而，包含非信息性或非显著性变量会产生与“维数灾难”相关的估计问题。为了解决这个问题，直接因果关系的措施，使用变量选择和降维技术已被引入。在这项比较工作中，在时间域中的双变量和多变量因果关系的措施合奏的性能进行评估，侧重于降维因果关系的措施。特别是，使用不同类型的高维耦合离散系统（涉及多达100个变量）和时间序列长度和不同的噪声类型的因果关系的措施的鲁棒性进行检查。仿真研究的结果突出了降维措施的优越性，特别是对高维系统。
2020-11-02 nlin.CD stat.CO stat.ME
MultiFun-DAG: Multivariate Functional Directed Acyclic Graph
针对传统DAG仅处理标量节点的局限，提出MultiFun-DAG，以多元函数为节点，通过双线性回归与EM算法学习带无环约束的图结构，并经数值与交通案例验证其有效性。
2024-04-22 stat.ME
Self-Labeling in Multivariate Causality and Quantification for Adaptive Machine Learning
California Institute for Telecommunications and Information Technology（加州电信与信息技术学院）；University of California, Irvine（加州大学欧文分校）
本文扩展自标注框架至多元因果图，利用四类基本因果关系实现自主领域适配，并定量分析ITM与ESD非理想性能的影响，且通过仿真实验验证理论。
2024-04-08 cs.AI cs.LG stat.ME
Causal coupling inference from multivariate time series based on ordinal partition transition networks
在流行病学、气候学、生态学、基因组学、经济学和神经科学等许多科学领域，确定因果关系是一个具有挑战性但又至关重要的问题。最近的研究表明，有序划分转换网络（OPTNs）允许推断两个动力系统之间的耦合方向。在这项工作中，我们将这一概念推广到多个动力系统之间的相互作用的研究，我们提出了一种新的方法来检测因果关系的多变量观测数据。通过将该方法应用于耦合线性随机过程的数值模拟以及两个相互作用的非线性动力系统（耦合Lorenz系统和神经质量模型网络）的例子，我们证明了我们的方法可以可靠地识别相互作用的方向和相关的耦合延迟。最后，我们研究了真实世界的观察微电极阵列电生理数据从啮齿动物脑切片，以确定潜在的癫痫样活动的因果耦合结构。我们的结果，无论是从模拟和现实世界的数据，表明OPTNs可以提供一个互补的和强大的方法来推断因果效应网络从多变量观测数据。
2021-06-01 physics.data-an q-bio.NC stat.ME
Semiparametric Copula Estimation for Spatially Correlated Multivariate Mixed Outcomes: Analyzing Visual Sightings of Fin Whales from a Line Transect Survey
Tokyo University of Science（东京理科大学）；Meisei University（明海大学）；Keio University（庆应义塾大学）；Institute of Marine Research（海洋研究所）；RIKEN Center for Brain Science（理化学研究所脑科学中心）
本文提出半参数贝叶斯方法，用于分析空间相关多变量混合结果的依赖结构，应用于鲸鱼、磷虾生物量及海洋数据的联合推断。
2026-07-28 stat.ME
Granger Causality Networks for Categorical Time Series
基于混合转移分布（MTD）模型，提出了一种新的多变量分类时间序列Granger因果网络学习框架。传统上，MTD被困扰的非凸目标，不可识别性，并存在许多局部最优。为了规避这些问题，我们重铸推理的MTD作为一个凸问题。新的提法有利于应用MTD的高维多变量时间序列。作为一个基线，我们还制定了多输出逻辑自回归模型（mLTD），而一个简单的扩展自回归伯努利广义线性模型，以前没有被应用到多变量类别的时间序列的分析。我们开发了新的MTD模型的可识别性条件，并将其与mLTD的可识别性条件进行比较。我们进一步设计了新的和有效的优化算法的MTD的基础上新的凸公式，并比较MTD和mLTD在模拟和真实数据实验。我们的方法同时提供了一个比较的方法，网络推理的分类时间序列，并打开了大门，现代的，正规化的推理与MTD模型。
2017-06-08 stat.ME
Scalable Counterfactual Distribution Estimation in Multivariate Causal Models
Shiga University（滋贺大学）；RIKEN（理化学研究所）；The Institute of Statistical Mathematics（统计数理研究所）
针对扩展双重差分多元因果模型中的反事实联合分布估计，本文提出利用稳健潜在一维子空间兼顾维度相关性与单变量估计效率，并在合成及真实数据上验证其优势。
2023-11-02 cs.AI cs.LG stat.ME
