Graphical models for mediation analysis
中介分析试图通过中介变量或中介物推断暴露对结果的影响有多少可归因于特定途径。这就需要确定所谓的路径特异性效应。它们表达了暴露的变化如何影响这些中间变量（沿着某些途径），以及这些变量的变化如何反过来影响结果（沿着后续途径）。然而，与总效应的识别不同，混杂调整不足以识别路径特异性效应，因为它们的大小也取决于个体在多大程度上经历了对中介体的大暴露效应，倾向于经历相对较小或较大的中介体效应对结果的影响。因此，本章提供了一个一般的非参数结构方程模型（可能无法测量的变量），其中排除了某些这样的依赖性识别策略的访问审查。特别是，它示出的路径特定的影响，可以确定在这样的模型，以及如何可以做到这一点。
2018-01-18 math.ST stat.ME stat.TH
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
Counterfactual Graphical Models for Longitudinal Mediation Analysis with Unobserved Confounding
关于中介因果效应的问题在心理学、认知科学、医学、社会科学、公共卫生和许多其他学科中引起了极大的兴趣。例如，最近发表在社会心理学主要期刊上的论文中，约有60%包含至少一个中介测试（Rucker，Preacher，Tormala和Petty，2011）。标准的参数中介分析方法采用回归模型，以及流行病学中更常见的“差分法“（Judd & Kenny，1981）或社会科学中更常见的“乘积法”（Baron & Kenny，1986）。在本文中，我们首先讨论一个已知的，但可能经常不被欣赏的事实：这些参数方法是一个特殊的情况下，一般反事实框架的推理因果关系首先描述的内曼（1923年），鲁宾（1974年），并链接到因果图模型的罗宾斯（1986年）和珍珠（2000年）。然后，我们展示了这个框架的一些优点。首先，它明确了中介分析所依据的强有力的假设。其次，它避免了乘积法和差分法中存在的一些问题，例如某些情况下效应的有偏估计。最后，我们证明了一个新的结果，允许中介分析被应用到纵向设置未观察到的混杂因素，这个框架的一般性。
2013-03-04 math.ST stat.TH
Non-parametric efficient causal mediation with intermediate confounders
中介分析的干预效应被提出作为一种解决方案，在存在受暴露影响的中介-结果混杂因素的情况下，自然（非）直接效应缺乏可识别性。本文对非参数统计模型中基于有效影响函数（EIF）的干预（非）直接效应估计量的性质进行了理论和计算研究。我们使用EIF开发两个渐近最优的，非参数估计，利用数据自适应回归估计的滋扰参数：一步估计和有针对性的最小损失估计。GitHub上提供了一个实现我们提出的估计器的免费开源\texttt{R}包。我们进一步提出的结果，建立这些估计是一致的，乘强大的，$n^{1/2}$一致和有效的条件下。我们说明了有限样本的估计性能，并证实了我们的理论结果在模拟研究。我们还展示了使用的估计在我们的激励应用程序，以阐明背后的机制，无意中的有害影响，住房干预对青春期女孩的风险行为。
2020-05-29 stat.ME
Efficient and flexible causal mediation with time-varying mediators, treatments, and confounders
干预效应已被提出作为一种解决方案，自然（不）直接影响下的中介结果混杂影响的曝光。这种混杂因素是具有时变暴露和介质的研究的固有特征，但将干预效应框架推广到时变情况在文献中很少受到关注。我们提出了一个一般的纵向数据结构，允许灵活性的规范治疗结果，治疗中介，中介结果关系的干预效果的识别结果。在标准的无未测量混杂因素和阳性假设下实现识别。我们还提出了一个理论和计算研究的识别功能的有效影响函数（EIF）的基础上的属性。我们使用EIF提出了一个序贯回归估计算法，产生双重强大的，$\sqrt{n}$一致的，渐近高斯，和有效的估计下使用的回归算法收敛速度慢。这允许使用灵活的机器学习进行回归，同时允许通过置信区间和p值进行不确定性量化。GitHub上提供了一个实现我们提出的估计器的免费开源\texttt{R}包。我们将所提出的估计量应用于两种药物治疗阿片类药物使用障碍的比较有效性试验。在应用中，我们估计了两种治疗方法对阿片类药物使用后续风险的差异在多大程度上是由渴望症状介导的。
2022-03-28 stat.ME
Interventional Causal Structure Discovery over Graphical Models with Convergence and Optimality Guarantees
Tongji University（同济大学）
针对观测与干预数据融合及集中式因果发现的通信、隐私问题，提出带收敛与最优性保证的Bloom双层多项式优化框架，并扩展至分布式场景，实验显示其性能优于主流算法。
2024-08-09 cs.LG stat.ML
Efficient adjustment sets for population average treatment effect estimation in non-parametric causal graphical models
Universidad Torcuato Di Tella（托尔夸托·迪·特利亚大学）；CONICET（阿根廷国家科学与技术研究理事会）；Harvard T. H. Chan School of Public Health（哈佛陈曾熙公共卫生学院）
在观察性研究中，常采用协变量调整法估计群体平均治疗效应。从假定的因果图模型确定所有有效协变量调整集的图形规则是众所周知的。限制注意因果线性模型，最近的一篇文章推导出两个新的图形标准：一个是比较控制某些不同的调整集的线性回归治疗效果估计量的渐近方差，另一个是确定最佳调整集，该调整集产生最小二乘治疗效果估计量，在一致的调整最小二乘估计量中具有最小的渐近方差。在本文中，我们表明，相同的图形标准可以用于非参数因果图形模型时，治疗效果估计的对比，涉及非参数调整估计的干预手段。我们还提供了一个图形的标准来确定最佳调整集之间的最小调整集，这是有效的线性和非参数估计。我们提供了一个新的图形标准，比较不定常调整集，即，由协变量，调整为未来的治疗，本身受到早期治疗的影响。我们通过例子表明，一致最优的不定常调整集并不总是存在。此外，对于点干预，我们提供了一个健全的和完整的图形标准，用于确定当一个非参数的最佳调整估计的干预手段，或干预手段的对比度，是一样有效的，利用信息的条件独立编码的非参数因果图模型的相同参数的有效估计。
2019-12-16 cs.LG math.ST stat.ML
Characterization and Learning of Causal Graphs from Hard Interventions
Johns Hopkins University（约翰霍普金斯大学）；Purdue University（普渡大学）
本文研究硬干预下的因果图学习，提出基于do-calculus的图形约束刻画带潜变量因果图的干预等价类，并设计整合多干预数据集的学习算法，证明了其可靠性。
2025-11-02 cs.LG stat.ML
Non-linear Mediation Analysis with High-dimensional Mediators whose Causal Structure is Unknown
在从治疗到结果的因果路径上有多个潜在的介质，我们考虑通过每个不同的介质沿着多个可能的因果路径分解效果的问题。在Pearl的路径特异性效应框架下（Pearl，2001; Avin等人，2005），这种细粒度的分解需要严格的假设，例如正确地指定中介体之间的因果结构，以及中介体之间没有未观察到的混杂。相比之下，多种介质的干预性直接和间接效应（Vansteelandt和Daniel，2017）可以在弱得多的条件下确定，同时提供科学相关的因果解释。尽管如此，目前的估计方法需要（正确地）指定一个模型的联合调解人的分布，这可能是困难的，当有一个高维的可能连续和不连续的调解人。在这篇文章中，我们避免了对这种分布建模的需要，通过开发VanderWeele和Tchetgen Tchetgen（2017）先前提出的纵向中介干预效应的定义。我们提出了一种新的估计策略，使用（反事实）中介分布的非参数估计。非连续的结果可以使用非线性结果模型来适应。通过蒙特卡罗积分进行估计。该程序使用公开的基因组数据（Huang和Pan，2016）进行说明，以评估microRNA表达对脑癌患者三个月死亡率的因果影响，该影响可能由多个基因的表达值介导。
2020-06-14 stat.ME
Causal mediation with instrumental variables
中介分析是一种理解治疗或干预影响后期结果的机制的策略。中介分析经常应用于随机试验环境，但通常假设：a）随机分配是关注的暴露，而不是实际接受干预，b）没有未观察到的中介-结果关系的混杂。与关于估计非随机化暴露总效应的工具变量（IV）方法的丰富文献相反，几乎没有研究将IV用作存在确定结果和中介结果未观察到混杂的识别策略。作为回应，我们定义并确定了新的被估量--复杂的干预直接和间接效应（即，IV中介效应）在两种情况下：1）单一IV暴露，2）两个IV，一个暴露，另一个中介，这可能是相关的。我们提出了非参数的，强大的，有效的估计，并将其应用到住房券实验。
2021-12-27 stat.ME
Inverse Probability Weighting-based Mediation Analysis for Microbiome Data
The University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）；The University of Texas MD Anderson Cancer Center（德克萨斯大学安德森癌症中心）；BeOne Medicines（博生医药）；Texas A&M University（德克萨斯农工大学）；University of Toronto（多伦多大学）；Columbia University（哥伦比亚大学）
针对微生物组数据高维、零膨胀等特性及抗生素混杂问题，提出基于逆概率加权的非参数干预性间接效应识别与估计算法，经模拟验证性能良好，且发现AML患者化疗强度对感染的影响主要由肠道微生物组介导。
2026-10-15 stat.AP stat.ME
Graphical methods for inequality constraints in marginalized DAGs
本文提出了一种图形化的方法来推导有向无圈图（DAG）模型的不等式约束，其中一些变量是不可观测的。特别是，我们发现，观察到的分布的离散模型总是受到限制，如果任何两个观察到的变量既不相邻的图，也不共享一个潜在的父母，这推广了著名的工具不等式。该方法还提供了干预分布的不等式，可用于约束因果效应。所有这些约束的特点是在一个新的图形分离标准，提供了一个简单而直观的方法，他们的推导。
2012-09-13 math.ST stat.CO stat.ME
Dynamic Causal Mediation Analysis for Intensive Longitudinal Data
本文针对密集纵向数据，提出自然直接和间接漂移效应这一新型因果中介分析方法，推导了多重稳健估计量并证明其渐近正态性，为时变暴露与远端结果间的中介路径评估提供了灵活且可靠的解决方案。
2025-06-24 stat.ME
Time-dependent mediators in survival analysis: Graphical representation of causal assumptions
本研究针对生存分析中时间依赖中介的DAG表示复杂问题，采用处理分离方法，提出折叠图与δ-分离工具，给出中介g公式，并应用于带处理效应的Cox模型，简化因果假设的图形化检验。
2023-10-07 stat.ME
Nonparametric estimators of interventional (transported) direct and indirect effects that accommodate multiple mediators and multiple intermediate confounders
中介分析因其能够提高对因果效应的机械驱动因素的理解而具有吸引力，但现实世界的数据复杂性对其成功实施提出了挑战，包括：1）存在也影响中介和结果的暴露后变量（因此，混淆了中介-结果关系），也可能是2）多变量，以及3）存在多变量中介。干预性直接和间接效应（IDE/IIE）包含混淆中介-结局关系的暴露后变量，但目前，不存在IDE/IIE的估计器，该估计器允许多变量中介和多变量暴露后中间混淆因素。这再次代表了现实世界分析的重大限制。我们通过扩展两个最近开发的非参数估计来解决这一差距-一个估计IDE/IIE，另一个估计IDE/IIE传输到一个新的目标人群-同时允许多变量介质和多变量中间混杂因素。我们使用模拟来检查有限样本的性能，并将这些估计量应用于移动到机会试验的纵向数据。在应用程序中，我们走过一个策略，将间接效应分离成中介或中介组特定的间接效应，同时适当地考虑其他可能共同发生的中间变量。
2022-12-15 stat.ME
The positivity assumption in causal mediation analyses? Checked!
Université Laval（拉瓦尔大学）；Centre de Recherche du CHU de Québec - Université Laval（魁北克大学医院研究中心-拉瓦尔大学）；Université de Montréal（蒙特利尔大学）；Centre de recherche Azrieli, CHU Sainte-Justine（阿兹里埃研究中心，圣朱斯蒂娜大学医院）；Université du Québec à Montréal（蒙特利尔大学）；Faculté de Pharmacie, Université de Montréal（蒙特利尔大学药学院）；McGill University（麦吉尔大学）
研究针对因果中介分析中常被忽视的正性假设，将PoRT算法扩展到多种中介效应，通过心理健康应用展示其用法，还讨论了正性假设违背的后果及建议，为因果中介分析提供了有效检验方法。
2026-07-29 stat.AP stat.ME
Inferring network structure from interventional time-course experiments
图形模型被广泛用于研究生物网络。对网络节点的干预是研究生物网络的许多试验设计的重要特征。在本文中，我们提出了一个因果变量的动态贝叶斯网络（DBNs）的建模干预的时间过程数据的目的。该模型继承了DBN的简单性和计算效率，但允许将干预数据集成到网络推理中。我们展示了模拟和实验数据的实证结果，表明当干预措施构成设计的一部分时，需要适当地处理干预措施。
2015-06-16 stat.ME
crumble: A comprehensive framework for modern causal mediation analysis with intermediate confounding
New York University Grossman School of Medicine（纽约大学格罗斯曼医学院）；University of California, Berkeley（加州大学伯克利分校）；Columbia University（哥伦比亚大学）
本文介绍了crumble框架，用于非参数估计中介参数，尤其在处理连续或多维中介变量及非二元治疗时，提供易于使用的指南和案例研究。
2026-04-10 stat.AP stat.ME
Evaluating Interventional Reasoning Capabilities of Large Language Models
Université de Montréal（蒙特利尔大学）；Mila（米拉计算科学研究所）；Google DeepMind（谷歌DeepMind）；ServiceNow Research（ServiceNow研究院）
本文研究LLMs在因果干预下的推理能力，构建涵盖多种因果图和变量类型的基准，评估六个LLMs，发现GPT模型在预测干预效应方面表现较好。
2024-12-22 cs.AI cs.CL cs.LG
Causal Mediation Analysis with Multiple Mediators: A Simulation Approach
针对因果中介分析中多中介变量及暴露诱导混杂因素的效应估计需求，提出基于分布模型模拟潜在结局的通用方法，含参数与深度神经网络非参数两种实现，并通过两项经典研究验证方法可行性。
2025-06-16 econ.EM stat.AP stat.ME
Recanting twins: addressing intermediate confounding in mediation analysis
针对中介分析中中间混杂阻碍自然路径效应识别的问题，提出基于信息传递因果观的“翻供孪生”方法，开发了高效半参数估计器，并应用于合成数据及医疗数据分析。
2024-01-09 stat.ME
Mediation analysis in longitudinal intervention studies with an ordinal treatment-dependent confounder
University of Turku（图尔库大学）；Finnish Institute for Health and Welfare（芬兰健康与福利研究所）；University of Eastern Finland（芬兰东部大学）；University of Helsinki（赫尔辛基大学）
本文研究了纵向中介变量、时间到事件结局及有序治疗依赖性混杂因素下的中介效应识别问题，提出在单调性假设下通过非参数表达式估计中介效应，并通过芬兰糖尿病预防研究验证了生活方式干预对2型糖尿病预防的中介作用。
2025-05-21 stat.AP
On relation between separable indirect effect, natural indirect effect, and interventional indirect effect
本文系统比较可分离间接效应、自然间接效应与干预间接效应的因果假设与中介解释可行性，证明SIE在无额外假设或存在中间混杂因素时存在局限，而NIE仍满足中介零准则，并给出新的识别结果与整合分析框架，强调NIE是间接效应最根本的定义。
2025-07-05 stat.ME
Interaction Testing in Variation Analysis
Columbia University（哥伦比亚大学）
本文提出 variation analysis，扩展传统中介分析以分解总变异(TV)测度，明确包含直接、间接、混杂变异及路径间交互项，并引入交互检验以判断交互项是否显著，从而支持更简约的分解。
2024-11-13 cs.AI cs.LG math.ST
Characterization and Learning of Causal Graphs with Latent Confounders and Post-treatment Selection from Interventional Data
Mohamed bin Zayed University of Artificial Intelligence（莫莫德·本·扎耶德人工智能大学）；Carnegie Mellon University（卡内基梅隆大学）
本文提出了一种新的因果公式，通过建模后处理选择和干预反应，识别因果关系、潜在混杂因素和选择模式，提升因果发现的准确性。
2026-02-25 cs.LG stat.ME
Continuous-time mediation analysis for repeatedly measured mediators and outcomes
针对纵向研究中连续时间过程的不规则测量问题，提出含时间依赖混杂的连续时间中介分析方法，采用微分方程动态模型估计三类因果效应，经模拟与3C脑老化研究真实案例验证有效性。
2025-01-14 stat.ME
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 Causal Interpretation of Randomized Interventional Indirect Effects
本文考察随机干预间接效应能否被真正解释为中介效应，提出尖锐零准则等性质，并证明在缺乏更强假设时该类效应不满足这些准则，同时讨论其替代因果解释。
2023-09-29 stat.ME
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
Nonparametric inference for interventional effects with multiple mediators
了解干预措施对结果产生影响的途径是一个共同的科学目标。丰富的文献提供了各种分解的总干预效果的具体途径的影响。干预的直接和间接效果提供了这样一种分解。这些效应的现有估计量基于参数模型，通过非参数自助法进行置信区间估计。我们提供的理论，允许更灵活的，可能是基于机器学习，估计技术被考虑。特别是，我们建立弱收敛的结果，便于建设封闭形式的置信区间和假设检验。最后，我们证明了所提出的估计的多个鲁棒性。仿真结果表明，基于大样本理论的推理具有足够的小样本性能。因此，我们的工作提供了一种手段，利用现代统计学习技术估计干预调解的影响。
2020-01-16 math.ST stat.ME stat.ML
Modeling Discrete Interventional Data using Directed Cyclic Graphical Models
University of British Columbia（不列颠哥伦比亚大学）
我们概述了一个表示离散多元分布的干预潜在的功能，是全球标准化。该表示可用于对干预的效果进行建模，并且在该模型中编码的独立性属性可表示为允许循环的有向图。除了讨论这种表示的推理和采样，我们给出了一个指数族参数化，允许参数估计被称为凸优化问题，我们还给出了一个凸松弛的任务，同时参数和结构学习使用组L1-正则化。该模型的模拟数据和细胞内流式细胞术数据进行评估。
2012-05-09 cs.LG stat.ME stat.ML
Network Structural Equation Models for Causal Mediation and Spillover Effects
University of Michigan（密歇根大学）
本文提出了一种基于网络结构方程模型的方法，用于分析因果中介和溢出效应，通过理论框架和实证研究验证了其在复杂网络数据中的有效性。
2026-02-28 stat.ME
High Fidelity Image Counterfactuals with Probabilistic Causal Models
Imperial College London（伦敦帝国理工学院）；Microsoft Research Cambridge（微软剑桥研究院）
针对高维图像类结构化变量的反事实与干预查询估计难题，研究结合因果中介分析思路与生成建模进展，提出含新型深度因果机制的通用因果生成建模框架，实验验证其在溯因及各类效应估计上的准确性。
2023-07-18 cs.LG stat.ME
Coarsening Causal DAG Models
Department of Technology, Management and Economics, Danish Technical University（丹麦技术大学技术、管理与经济学系）；Department of Mathematics and Statistics, Binghamton University, State University of New York（纽约州立大学宾汉姆顿分校数学与统计系）；Department of Mathematical Sciences, University of Copenhagen（哥本哈根大学数学科学系）
本文提出新型因果抽象方法，提供可识别性结果、高效算法及理论洞察，应用于合成和现实数据集。
2026-04-02 cs.LG math.CO stat.ML
Learning to Bound Counterfactual Inference from Observational, Biased and Randomised Data
IDSIA（达勒·摩尔人工智能研究所）；University of Almería（阿尔梅里亚大学）
我们解决的问题，从多个，可能有偏见的，观察性和干预性研究的数据整合，最终计算结构因果模型中的反事实。我们从受选择偏差影响的单个观测数据集的情况开始。我们表明，可用数据的可能性没有局部最大值。这使我们能够使用因果期望最大化方案来计算部分可识别的反事实查询的近似边界，这是本文的重点。然后，我们展示了相同的方法如何解决多个数据集的一般情况，无论是干预性的还是观察性的，有偏的还是无偏的，通过图形变换将其重新映射到前一个。系统的数值实验和姑息治疗的案例研究表明，我们的方法的有效性和准确性，同时暗示的好处，整合异构数据，以获得信息范围的情况下，部分可识别性。
2023-03-16 cs.AI stat.ME
Efficient Neural Causal Discovery without Acyclicity Constraints
University of Amsterdam（阿姆斯特丹大学）；Qualcomm AI Research（高通人工智能研究院）
使用观测和干预数据学习因果图模型的结构是许多科学领域中的基本问题。一个有前途的方向是连续优化的分数为基础的方法，然而，需要约束优化，以执行非循环或缺乏收敛保证。在本文中，我们提出了ENCO，一个有效的结构学习方法，利用观测和干预数据的有向，无环因果图。ENCO将图搜索公式化为独立边缘似然的优化，其中边缘方向被建模为单独的参数。因此，我们可以在温和的条件下提供ENCO的收敛保证，而不限制分数函数的无环性。在实验中，我们表明，ENCO可以有效地恢复图与数百个节点，一个数量级大于以前可能的，同时处理确定性变量和潜在的混淆。
2022-02-25 cs.AI cs.LG stat.ML
Non-agency interventions for causal mediation in the presence of intermediate confounding
针对不可操纵原因及治疗诱导的中介者—结果混杂，提出基于边信息传递的非能动性干预与可识别路径效应，并给出具备√n一致性的高效非参数估计方法。
2023-04-25 stat.ME
Graphical criteria for the identification of marginal causal effects in continuous-time survival and event-history analyses
本文针对连续时间生存与事件史分析，提出图形准则以判断观察数据能否通过重新加权识别时变治疗过程的边际因果效应，并强调删失过程需额外结构假设，最后以HPV筛查数据示例验证。
2024-04-20 stat.ME
Mediation Analysis in the Presence of Sample Selection Bias with an Application to Disparities in Liver Transplantation Listing
针对肝移植登记研究中的样本选择偏差问题，提出基于有向无环图的重加权中介分析方法，可校正选择偏差并识别各类因果效应，还通过临床案例探究了社会经济地位对移植登记的影响。
2025-09-02 stat.AP stat.ME
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
Representation of Context-Specific Causal Models with Observational and Interventional Data
本文提出CStrees模型，通过新因子分解准则表示上下文特定因果模型，扩展DAG等价性刻画至干预场景，并应用于真实数据揭示依赖结构。
2024-07-16 math.CO math.ST stat.ME
Bayesian sample size determination for causal discovery
基于有向无环图（DAG）的图形模型被广泛用于回答各种科学和社会学科的因果问题。然而，观察数据本身不能区分一般的DAG表示相同的条件独立性断言（马尔可夫等价的DAG），因此，在图中的一些边缘的方向仍然是不确定的。通过对网络中的变量进行外生操作而产生的干预数据增强了结构学习的过程，因为它们允许在等效DAG之间进行区分，从而锐化因果推断。从DAG的等价类开始，已经设计了一些程序来产生要操纵的变量的集合，以便识别因果DAG。然而，这些算法方法不能确定获得期望水平的统计准确度所需的介入数据的样本量。我们从贝叶斯试验设计的角度来解决这个问题，作为输入的一系列目标变量进行操作，以确定边缘方向。然后，我们提出了一种方法来确定，在每一个干预，最佳的样本量能够产生一个成功的实验的基础上，实验前评估的整体概率的实质性正确的证据。
2022-06-01 stat.ME
Variable elimination, graph reduction and efficient g-formula
我们研究了在由无隐藏变量的有向无圈图表示的因果图模型下对与点暴露治疗相关的干预平均值的有效估计。在这样的模型下，可能会发生一个子集的变量是无信息的，因为未能测量它们既不排除识别的干预均值，也不改变半参数方差界的定期估计它。我们开发了一套图形标准，是健全的和完整的消除所有的无信息的变量，使测量它们的成本可以节省而不牺牲估计效率，这在设计计划的观察或随机研究时可能是有用的。此外，我们构造了一个简化的有向无圈图上的信息变量集。我们表明，干预平均值是确定从边际法的g-公式（罗宾斯，1986年）与减少的图形，和半参数方差界估计干预平均值下的原始和减少的图形模型同意。这个g-公式是一个不可约的，有效的识别公式，在这个意义上，公式的非参数估计，在正则性条件下，在原始因果图模型下是渐近有效的，并且不存在具有这种性质的公式，只依赖于严格的变量子集。
2022-12-03 math.ST stat.ME stat.TH
Bayesian causal inference in probit graphical models
我们考虑一个二元响应，这是潜在的影响，由一组连续变量。特别令人感兴趣的是由于对特定变量的干预而对响应产生的因果效应。后者可以通过对数据生成机制的适当假设，在观测数据的基础上有意义地确定。特别是，我们假设联合分布服从有向无环图（DAG）中固有的条件独立性（马尔可夫性），并且通过干预分布的概念对DAG进行因果解释。我们提出了一个DAG概率模型，其中的响应是通过一个随机阈值的连续潜变量和离散化产生的，后者，连同其余的连续变量，具有属于零均值高斯模型的协方差阵的分布受到约束，以满足马尔可夫性的DAG。我们的模型导致一个自然的定义因果效应有条件地对一个给定的DAG。由于生成观测值的DAG是未知的，我们提出了一种有效的MCMC算法，其目标是DAG空间上的后验分布，浓度矩阵的Cholesky参数，以及将响应连接到潜伏期的阈值。我们的最终结果是一个贝叶斯模型平均估计的因果关系，其中包括参数，以及模型，不确定性。该方法进行评估，使用模拟实验和应用于基因表达数据集起源于乳腺癌干细胞。
2020-09-10 stat.ME
Canonical Representations of Markovian Structural Causal Models: A Framework for Counterfactual Reasoning
本文提出结构因果模型的规范表示（反事实模型），通过归一化程序分离反事实选择与干预约束，从而在保留干预知识的同时灵活实现多种反事实假设，无需个体层面估计。
2025-09-22 cs.AI math.ST stat.TH
Moment-Matching Graph-Networks for Causal Inference
在本文中，我们探索了一个完全无监督的深度学习框架，用于从观测训练数据中模拟非线性结构方程模型。本文的主要贡献是将矩匹配损失函数应用于因果贝叶斯图的边缘，从而生成条件矩匹配图神经网络。因此，该框架使得能够对各种图形干预的潜在空间条件概率分布进行自动采样，并且能够生成样本外干预概率，该样本外干预概率通常忠实于远超出训练集中包含的范围的地面实况分布。这些方法原则上可以与任何现有的自动编码器结合使用，该自动编码器产生包含因果图结构的潜在空间表示。
2020-07-27 cs.LG stat.ML
Simplifying Probabilistic Expressions in Causal Inference
University of Jyvaskyla（于韦斯屈莱大学）
获得介入分布的非参数表达式是因果推断中最基本的任务之一。这样的表达式可以通过算法或do演算的手动应用获得可识别的因果效应。通常，当涉及到缺失数据或测量误差时，我们会得到一个复杂的表达式，这可能导致有偏差或效率低下的估计。我们提出了一个自动简化算法，旨在消除符号不必要的变量，从这些表达式的基础图形模型的结构的优势。我们的方法适用于所有因果效应公式，并且在R包causaleffect中随时可用。
2018-06-19 cs.AI cs.LG stat.ML
A Ladder of Causal Distances
EPFL（洛桑联邦理工学院）
因果发现，即从数据中自动构建因果模型的任务，在整个科学领域都具有重要意义。评估因果发现算法的性能，理想情况下应该包括将推断模型与基准数据集可用的地面实况模型进行比较，这反过来又需要因果模型之间的距离概念。虽然之前已经提出了这样的距离，但它们受到比较因果模型的图形属性的限制。在这里，我们克服了这个限制，定义的距离来自因果分布引起的模型，而不是完全从他们的图形结构。Pearl和Mackenzie（2018）将因果模型的属性排列在一个称为“因果阶梯”的层次结构中，跨越三个梯级：观察，干预和反事实。按照这种组织，我们引入了三个距离的层次结构，每个距离对应于阶梯的每个梯级。我们的定义是直观的吸引力，以及有效的计算近似。我们把我们的因果距离使用基准标准的因果发现系统的合成和现实世界的数据集，其中地面真相因果模型可用。最后，我们强调我们的因果距离的有用性，简要讨论了因果发现技术的评估之外的进一步应用。
2021-08-25 cs.AI cs.LG stat.ML
Enhancing Identification of Causal Effects by Pruning
University of Jyvaskyla（于韦斯屈莱大学）
因果模型传达了我们对现实世界现象中的因果关系的假设。通常，兴趣在于识别动作的效果，这意味着从观察到的概率分布导出由动作引起的干预分布的表达式。在许多情况下，可识别性算法可能会返回一个复杂的表达式，其中包含实际上不必要的变量。在实践中，当处理测量误差或缺失数据时，这可能导致额外的计算负担和增加的偏差或估计的低效率。我们提出了图形化的标准，以检测变量是多余的，在确定因果关系的影响。我们还提供了一个众所周知的可识别性算法，实现这些标准的改进版本。
2018-06-19 cs.LG stat.ML
Causal Inference with a Graphical Hierarchy of Interventions
由于选择偏差和混杂的问题，从观测数据中识别因果参数充满了微妙之处。此外，更复杂的关注问题，如治疗对治疗和介导效应的影响，即使在治疗分配已知且在研究者控制下的数据中，也可能不总是能够识别，或者可能在一种因果模型下识别，但在另一种因果模型下无法识别。越来越复杂的利益效应，加上使用的因果模型的多样性，导致了对识别的支离破碎的看法。这种碎片化使得确定给定参数是否被识别（以及在什么模型中）以及什么假设必须保持这种情况变得不必要地困难。这反过来又使估计理论和敏感性分析程序的发展变得复杂。在本文中，我们给出了一个统一的观点的一个大类的因果影响的利益的层次结构的干预措施，并表明，识别理论，这一大类减少到识别理论的随机变量下的干预，从这个层次结构。此外，我们表明，在层次结构中的一种类型的干预是自然地与最好的完全随机因果可解释结构树图下确定的查询（FFRCISTG）Robins模型（通过扩展的g公式），另一个自然地与具有独立误差的非参数结构方程模型下识别的查询相关联（NPSEM-IE），通过一个更一般的功能，我们称之为边缘g公式。我们的研究结果激励边缘g-公式的估计理论的研究，因为我们发现它出现在中介分析，并在设置治疗分配有未观察到的原因，如模型与珍珠的前门标准。
2015-11-14 stat.ME
NODAGS-Flow: Nonlinear Cyclic Causal Structure Learning
Georgia Institute of Technology（佐治亚理工学院）；Stanford University（斯坦福大学）；Genentech（基因泰克）
学习变量之间的因果关系是统计学中研究得很好的问题，在科学中有许多重要的应用。然而，建模现实世界的系统仍然具有挑战性，因为大多数现有的算法假设，底层的因果图是无环的。虽然这是一个方便的框架，用于发展关于因果推理和推断的理论发展，但在真实系统中，潜在的建模假设可能会被违反，因为反馈回路是常见的（例如，生物系统）。虽然有一些方法搜索循环因果模型，但它们通常依赖于某种形式的线性，这也是有限的，或者缺乏明确的潜在概率模型。在这项工作中，我们提出了一种新的框架，用于从介入数据中学习非线性循环因果图模型，称为NODAGS流。我们通过直接似然优化进行推理，采用残差归一化流的似然估计技术。通过合成实验和单细胞高含量扰动筛选数据的应用，我们显示出显着的性能改进与我们的方法相比，国家的最先进的方法，结构恢复和预测性能。
2023-01-04 cs.LG stat.ME stat.ML
Causal Graphs, Markov Properties and Do-calculus for Stochastic Differential Equations
VU Amsterdam（阿姆斯特丹自由大学）；University of Amsterdam（阿姆斯特丹大学）
研究随机微分方程的图形因果模型，提出因果SDE系统可解性条件，建立基于因果图的马尔可夫性质和do-演算，证明一类SDEs的更强性质，引入时间分割系统，探讨因果发现算法在框架内对SDEs的应用。
2026-07-23 math.ST stat.ML stat.TH
Identifying mediating variables with graphical models: an application to the study of causal pathways in people living with HIV
我们的经验表明，图形模型可以是一个有价值的工具，在因果通路中的中介变量的识别。我们利用图形模型来阐明因果关系的途径，通过该途径治疗影响艾滋病毒感染者（PLHIV）的疲劳和虚弱程度的基础上，在行为临床试验中收集的分类数据集的二次分析：虚弱是治疗和疲劳的调解人，还是疲劳是治疗和虚弱的调解人？因果中介分析无法给出这些问题的明确答案。关键词：列联表;图形模型;对数线性模型;艾滋病毒;调解
2019-07-10 stat.AP stat.ME
The Do-Calculus Revisited
do-calculus是在1995年开发的，以便于识别非参数模型中的因果效应。[Huang and Valtorta，2006]和[Shpitser and Pearl，2006]的完备性证明以及[Tian and Shpitser，2010]的图形准则已经解决了这个识别问题。最近的探索揭示了do-calculus在另外三个领域的有用性：中介分析[Pearl，2012]，可移植性[Pearl和Bareinboim，2011]和元命题。综合合成（新创造的）是融合来自不同研究的经验结果的任务，这些研究在不同的条件下对异质人群进行，以便在某些目标环境中合成因果关系的估计，这些目标环境可能与所研究的环境不同。谈话调查这些结果，重点是综合集成所带来的挑战。有关背景材料，请参见http://bayes.cs.ucla.edu/csl_papers.html
2012-10-16 cs.AI stat.ME
