Generalizing causal inferences from randomized trials: counterfactual and graphical identification
当参与随机试验是由影响结局的因素驱动时，或者当参与试验直接影响与治疗无关的结局时，试验受试者的平均处理效应不太可能推广到目标人群。在本文中，我们使用反事实和图形因果模型，以检查在什么条件下，我们可以概括因果推断从一个随机试验的目标人群的试验合格的个人。我们提供了一个解释的概括性分析使用的概念，一个假设的干预，以“扩大”试验参与的目标人群。我们认为，当试验参与不直接影响结果时，解释的概括性分析，突出与纵向研究中的删失的连接，并讨论通过g公式计算和逆概率加权的反事实结果的分布的识别。最后，我们展示了如何扩展的方法，以解决随时间变化的治疗，不遵守，和审查。
2019-06-26 stat.AP stat.ME
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
Partially Intervenable Causal Models
图形因果模型导致了任意结构系统中完整的非参数识别理论的发展，以及有效推理的一般方法。然而，图形方法的因果推断还没有接受的统计和公共卫生界。在这些社区中，因果假设是以潜在结果或对假设干预的反应来表示的。这种干预措施一般只在有限的一组变量上进行概念化，原则上可以进行相应的实验。相比之下，因果推断的图形方法通常假设对所有变量的干预都是明确定义的--这是一个过于限制性和不切实际的假设，可能限制了这些方法在统计和公共卫生应用工作中的采用。在本文中，我们建立在统一的图形和潜在的结果因果关系的方法为例，单世界干预图（SWIGs）定义图形模型与一组有限的允许的干预措施。我们给出了一个完整的识别理论，这样的模型，并制定了一个完整的演算的干预措施的基础上的一个概括的做演算，和公理，管理概率运算的马尔可夫内核。我们的研究结果的一个推论是一个完整的识别理论的因果关系的影响，在另一个图形框架与一组有限的干预措施，决策理论的图形制定的因果关系。
2021-10-31 cs.AI math.ST 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
Multiple Causes: A Causal Graphical View
Columbia University（哥伦比亚大学）
未观察到的混杂是从观察数据进行因果推断的主要障碍。混杂因素-影响原因和结果的变量-在两者之间引起虚假的非因果关系。Wang & Blei（2018）用“多种原因的祝福”降低了这一障碍，其中多种原因的相关性结构为未观察到的混淆提供了间接证据。他们通过一种称为“去混淆”的算法来利用这些优势，该算法使用概率因子模型来校正混淆因素。在本文中，我们采取了因果图的观点的deconfounder。在一个编码共享混杂的图中，我们展示了原因的多样性如何帮助识别干预分布。然后，我们证明了deconfounder，表明它使干预的有效推论。最后，我们扩大类的图，它的理论，包括其他混杂因素和选择变量。我们的研究结果扩展了Wang & Blei（2018）的理论，证明了因果图的解方器，并扩展了可以使用它的设置。
2019-05-30 cs.LG stat.ME stat.ML
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
Ananke: A Python Package For Causal Inference Using Graphical Models
我们实现Ananke：一个面向对象的Python包，用于使用图形模型进行因果推断。在我们的继承结构的顶部是一个易于扩展的Graph类，它提供了一个接口，可以连接到几个非常有用的基于图的算法和可视化方法。我们使用面向对象编程的最佳实践来实现对应于当前文献中流行的因果图类型的Graph超类的子类。这包括用于建模因果充分系统的有向无环图，用于建模不可测混杂的无环有向混合图，以及用于建模数据依赖和干扰的链图。在这些子类中，我们为常见的统计和因果建模任务实现了专门的算法，例如读取条件独立性的分离标准，非参数识别以及模型参数的参数和半参数估计。在这里，我们将为一个无法测量的混淆问题提供一个包和示例使用的广泛概述。最新文档可在\url{https://ananke.readthedocs.io/en/latest/}上获得。
2023-01-27 cs.MS stat.ME
Directed Graphical Models and Causal Discovery for Zero-Inflated Data
现代RNA测序技术提供了来自单细胞的基因表达测量，这些测量有望对基因之间的调控关系提供精确的见解。有向图模型非常适合探索这种（因果）关系。然而，单细胞数据的统计分析由于数据经常显示零膨胀表达模式的事实而变得复杂。为了解决这一挑战，我们提出了有向图形模型，是基于栅栏条件分布参数化的多项式在父变量和他们的0/1指标为零或非零。虽然高斯模型的有向图一般只能识别到一个等价类，但我们证明了，在一个自然和弱的假设下，我们的零膨胀模型的精确有向无环图可以被识别。我们提出了图恢复的方法，将我们的模型应用于T辅助细胞上的真实单细胞RNA-seq数据，并显示了在实践中验证可识别性和图估计方法的模拟实验。
2020-04-08 stat.AP stat.ME
Counterfactual Analysis of the Impact of the IMF Program on Child Poverty in the Global-South Region using Causal-Graphical Normalizing Flows
Linköping University（林雪平大学）
这项工作演示了因果推理和深度学习模型的一个特定分支的应用：\emph{causal-Graphical Normalizing Flows (c-GNFs)}。在最近的一篇文章中，学者们表明，规范化流具有某些属性，使其特别适合于因果分析和反事实分析。然而，c-GNF仅在模拟数据环境中进行了测试，迄今为止还没有对c-GNF在大规模真实世界数据中的应用进行过评估。以\emph{AI for social good}为重点，我们的研究提供了一个反事实分析的影响，国际货币基金组织（IMF）计划对儿童贫困使用c-GNF。该分析依赖于大规模的真实世界观察数据：1，941，734名18岁以下的儿童，由居住在全球南部67个国家的567，344个家庭照顾。虽然国际货币基金组织的主要目标是支持各国政府实现经济稳定，但我们的研究结果发现，国际货币基金组织的一项计划将儿童贫困作为一种积极的副作用减少了约1.2 $\pm$ 0.24度（“0”等于没有贫困，“7”是最大贫困）。因此，我们的文章展示了c-GNF如何进一步在AI中使用深度学习和因果推理来实现社会公益。它展示了如何使用学习算法通过在群体水平（ACE）、亚群体水平（CACE）和个体水平（ICE）的反事实推理来解决未开发的潜在重大社会影响。与大多数模型ACE或CACE而不是ICE的作品相反，c-GNF使用\emph{`The First Law of …
2022-02-17 cs.AI econ.EM stat.AP
Linear-Time Primitives for Algorithm Development in Graphical Causal Inference
Institute for Theoretical Computer Science（理论计算机科学研究所）；Department of Mathematical Sciences（数学科学系）；School of Mathematics and Statistics（数学与统计学学院）
本文提出CIfly框架，将因果推理任务转化为可达性操作，以线性时间运行，替代道德化和潜在投影，提供高效开源实现，并支持工具变量等新算法开发。
2025-06-18 cs.AI cs.DS cs.LG
Semiparametric Inference For Causal Effects In Graphical Models With Hidden Variables
Williams College（威廉姆斯学院）；Emory University（埃默里大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
研究了隐变量有向无环图因果模型中因果效应的辨识理论。然而，相应的算法未得到充分利用，由于估计的识别泛函，他们的输出的复杂性。在这项工作中，我们弥合了识别和估计涉及单一治疗和单一结果的人群水平因果效应之间的差距。我们推导出基于影响函数的估计，表现出双重的鲁棒性，在一个大类的隐变量DAG的治疗满足一个简单的图形标准，这一类包括模型产生的调整和前门泛函作为特殊情况下的识别效果。我们还提供了必要和充分的条件下，一个隐藏的变量DAG的统计模型是非参数饱和，并意味着没有观察到的数据分布的等式约束。此外，我们推导出一类重要的隐变量DAG，这意味着观察到的数据分布观测等价（等式约束）充分观察到的DAG。在这些类别的DAG，我们推导出估计，实现半参数的有效性界限的目标感兴趣的治疗满足我们的图形标准。最后，我们提供了一个健全的和完整的识别算法，直接产生一个基于权重的估计策略，任何可识别的影响，隐藏变量因果模型。
2022-10-13 cs.LG stat.ML
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
Causal Inference in Educational Systems: A Graphical Modeling Approach
University of California, Los Angeles（加州大学洛杉矶分校）
传统上，教育系统的评估使用横断面研究，即检查前测，后测和单一干预。虽然这是一种流行的方法，但它并没有对有价值的信息进行建模，例如混淆变量，对学生的反馈以及研究与理想条件的其他现实偏差。此外，学习本质上是一个连续的过程，应该包括一系列的干预措施。在本文中，我们提出了教育系统的各种实验设计和准试验设计，并使用图形模型和有向无环图（DAG）语言对其进行量化。我们讨论了每种方法在教育中的应用和局限性。此外，我们建议将教育系统建模为随时间变化的治疗，混杂因素和随时间变化的治疗混杂因素反馈。我们表明，如果我们控制了一组足够的混杂因素，并使用适当的推理技术，如治疗加权的逆概率（IPTW）或g公式，我们可以关闭后门路径，并得出无偏的因果估计的联合干预的结果。最后，我们比较了g公式和IPTW的性能，并讨论了使用每种方法的优点和缺点。
2021-08-02 cs.LG stat.AP 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
Simultaneous Graphical Dynamic Modeling
Duke University（杜克大学）
本文提出了一种同时图动态线性模型，用于分析高维时间序列中的因果关系，并通过贝叶斯方法提高模型的可扩展性和准确性。
2026-02-11 stat.AP stat.ME
Multi-resolution Score-Based Variational Graphical Diffusion for Causal Disaster System Modeling and Inference
Johns Hopkins University（约翰斯·霍普金斯大学）；Center for Systems Science and Engineering（系统科学与工程中心）；Data Science and AI Institute（数据科学与人工智能研究院）
本文提出Temporal-SVGDM模型，通过为多分辨率变量构建独立SDE并以因果分数机制耦合，统一建模静态与时间场景下的因果依赖，在多种灾害预测中展现出更高准确性和稳健性。
2025-04-05 cs.LG stat.ML
Causal Effect Estimation Methods
讨论了从观测数据中进行因果推断的两种流行建模框架--因果图模型和潜在结果因果模型之间的关系。一些流行的因果效应估计发现在潜在结果因果模型的应用，如治疗加权估计和双稳健估计的逆概率，可以通过使用因果图模型得到。我们仅限于简单的情况下，二进制的结果和治疗变量与离散混杂因素，它是如何推广的结果，连续变量的情况下。
2014-10-31 stat.ME
Efficient adjustment sets for time-dependent treatment effect estimation in nonparametric causal graphical model
本研究针对时间依赖处理场景下现有图形规则无法仅靠因果图识别最优调整集的问题，挖掘图中条件独立性拓展相关结果，可得到渐近方差更低的估计量，实现仅基于有向无环图的最优调整集识别。
2025-10-03 math.ST stat.TH
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
algcomparison: Comparing the Performance of Graphical Structure Learning Algorithms with TETRAD
在这份报告中，我们描述了一个工具，比较性能的图形因果结构学习算法实现的TETRAD免费套件的因果分析方法。目前，该工具可作为TETRAD源代码（用Java编写）中的包使用。模拟可以通过改变运行次数、样本量和数据形态来完成。然后，可以比较多个算法在该模拟数据上的性能，其中参数变化并且具有所选择的性能统计，从而产生可验证的报告。这里介绍的包也可以用于比较跨平台和编程语言的结构学习方法，即，比较TETRAD中实现的算法与MATLAB、Python或R中实现的算法。
2020-07-13 stat.CO stat.ML
Bayesian graphical modeling for heterogeneous causal effects
我们的动机源于目前的医学研究，旨在使用基于分子的方法进行个性化治疗。其总体目标是开发一种更精确和更有针对性的决策过程，相对于主要基于临床诊断的传统治疗方法。具体而言，我们考虑受急性髓性白血病（AML）影响的患者，AML是一种以骨髓中造血干细胞不受控制的增殖为特征的血液学癌症。由于AML对化疗的反应很差，因此靶向治疗的发展对于改善患者的前景至关重要。特别是，我们分析的数据集包含参与细胞周期调控并与疾病进展相关的蛋白质水平。我们分析处理效应的因果框架内表示的有向无环图（DAG）模型，其顶点是在网络中的蛋白质水平。然而，实施上述方案的一个主要障碍是个体异质性。我们解决这个问题，通过一个狄利克雷过程（DP）混合高斯DAG模型的图形结构以及盟军模型参数被视为不确定的。我们的程序确定了反映潜在异质性的单位的聚类结构，并产生基于贝叶斯模型平均的因果效应的特定主题的估计。参考AML数据集，我们确定了个体之间蛋白质调控的不同影响;此外，我们的方法将患者聚类为仅与基于形态学特征的传统类别表现出轻微相似性的组。
2022-01-25 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
Necessary and sufficient graphical conditions for optimal adjustment sets in causal graphical models with hidden variables
German Aerospace Center（德国航空航天中心）；Institute of Data Science（数据科学研究所）；Technische Universität Berlin（柏林工业大学）
本文针对含隐变量的因果图模型，提出以最大化调整信息刻画最优性，给出最优调整集存在且有效的必要充分图条件及构造算法，并证明其渐近方差最优，实验验证了其广泛适用性。
2023-06-23 cs.IT cs.LG math.IT
A Unified Graphical Criterion for Characterizing the Causal Interpretation of Partial Regression Coefficients in Linear Structural Equation Models
本文提出了一种基于图的偏回归系数表征方法，统一了d分离、单门和后门标准，并揭示了事后偏差的机制，为分析诱导事后偏差的图结构提供统一框架。
2026-06-22 math.ST stat.TH
Identification of Latent Variables From Graphical Model Residuals
基于图的因果发现方法旨在捕获与观察数据一致的条件独立性，并将因果关系与间接或诱导的因果关系区分开来。成功构建数据的图形模型取决于因果充分性的假设：即所有混淆变量都被测量。当不满足这个假设时，学习的图形结构可能会变得任意不正确，并且这些模型所暗示的效果可能会被错误地归因，携带错误的幅度或错误地表示相关性的方向。图形模型在越来越少的“大数据”中的广泛应用，重新引起了人们对未观察到的混淆问题的关注。我们提出了一种新的方法，其目的是控制潜在的空间时，估计一个DAG迭代推导代理的潜在空间的残差推断模型。在温和的假设下，我们的方法改进了高斯图模型的结构推理，并提高了因果效应的可识别性。此外，当该模型用于预测结果时，它会消除结果父项系数的混淆，并在样本外制度与训练数据非常不同时提高预测性能。我们表明，任何改善的预测结果是内在的上限，不能上升超过一定的限制相比，混杂模型。我们扩展我们的方法超越GGMs有序变量和非线性的情况下。我们的R包提供了PCA和自动编码器实现的方法，适合GGM的一些保证和更好的性能，在一般情况下，但没有这样的保证。
2021-01-07 cs.LG q-bio.QM stat.ML
Causal inference with Bayes rule
The Gradient Institute（梯度研究所）；Criteo AI Lab（科韬人工智能实验室）
因果关系的概念有一个有争议的历史。是否有可能代表和解决因果问题的概率论，或者如果从根本上说，新的数学，如做演算是必需的问题一直在激烈的争论中，在本文中，我们证明，虽然它是至关重要的明确建模我们的假设干预系统的影响，只要我们这样做，估计因果关系的影响可以完全在标准贝叶斯范式。因果图模型的不变性假设可以在普通的概率图模型中编码，允许使用贝叶斯统计进行因果估计，相当于do-calculus。
2019-10-20 cs.LG stat.ML
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
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
Neural Network Parameter-optimization of Gaussian pmDAGs
Amirkabir University of Technology（阿米尔卡比尔理工大学）
针对高斯贝叶斯网络边缘化下现有图结构不稳定的问题，提出可忠实表示其边缘的图结构，首次揭示潜变量模型参数优化与前馈神经网络训练的对偶性，据此开发参数优化算法，给出高斯场景因果效应可识别条件并提出检验元算法，为对偶关系向其他分布推广奠基。
2025-10-02 cs.AI cs.LG math.PR
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
On the Graphical Rules for Recovering the Average Treatment Effect Under Selection Bias
Yale School of Public Health（耶鲁大学公共卫生学院）；Yale University School of Medicine（耶鲁大学医学院）
本文提出了一种新的图示规则和方法，用于处理选择偏差下恢复平均处理效应的两种特殊情况，通过g计算和IPW方法构建识别公式并验证其有效性。
2026-08-16 stat.ME
Graphical Condition for Identification in recursive SEM
本文涉及的问题预测的影响的行动或干预措施的系统从一组观察到的变量的组合（i）统计数据，和（ii）定性因果知识编码的形式的有向无环图（DAG）。DAG表示一组称为结构方程模型（SEM）的线性方程，其系数是表示直接因果效应的参数。只有当因果效应由数据唯一确定时，才能从模型中获得可靠的定量结论。也就是说，如果模型存在唯一的参数化，使其与数据兼容。如果是这种情况，则模型被称为已识别。本文的主要结果是递归SEM模型可辨识的一个一般充分条件。
2012-06-27 cs.AI stat.ME
A Complete Generalized Adjustment Criterion
协变量调整是一种广泛使用的方法来估计总的因果关系的观察数据。近年来已经开发了几个图形标准，以确定有效的协变量调整图形因果模型。这些标准可以处理多个原因，潜在的混淆，或因果结构的部分知识;然而，它们的多样性是令人困惑的，其中一些只是足够的，但不是必要的。在本文中，我们提出了一个标准，是必要的和充分的四个不同类别的图形因果模型：有向无圈图（DAG），最大祖先图（MAG），完成部分有向无圈图（CPDAG），部分祖先图（PAG）。我们的标准包括现有的，并以这种方式统一调整集建设一个大的一组图类。
2015-07-06 math.ST stat.TH
Uniform Inference in High-Dimensional Gaussian Graphical Models
University of Hamburg（汉堡大学）；Hamburg Business School（汉堡商学院）；Massachusetts Institute of Technology（麻省理工学院）
图形模型已经成为一种非常流行的工具，用于表示大量变量之间的依赖关系，并且是表示因果结构的关键。我们提供的结果是统一的推理高维图形模型的目标参数$d$的数量可能远远大于样本量。当因果模型的某些特征或结构应该被恢复时，这是特别重要的。我们的研究结果突出了如何在高维设置的图形模型可以估计和恢复与现代机器学习方法在复杂的数据集。为了在许多目标参数上同时构造置信区域，滋扰函数的足够快的估计速率是至关重要的。在这种情况下，我们建立统一的估计率和稀疏性保证的平方根估计在随机设计下的近似稀疏性条件下，可能是独立的兴趣在高维的相关问题。我们还证明了在一个全面的模拟研究，我们的程序具有良好的小样本性能。
2018-12-03 cs.LG econ.EM stat.ME
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
Network Causal Effect Estimation In Graphical Models Of Contagion And Latent Confounding
Williams College（威廉姆斯学院）
研究网络中传染与潜在混淆的区分问题，基于隔离图表示推导似然比检验识别依赖机制，并提出在完全干扰场景下提供无偏一致估计的网络因果效应估计策略。
2025-03-05 cs.LG stat.ML
Teleporter Theory: A General and Simple Approach for Modeling Cross-World Counterfactual Causality
Institute of Software Chinese Academy of Sciences（中国科学院软件研究所）
针对双网络在跨世界反事实因果建模中的泛化不足，该研究提出通用简洁的传送子理论，可直接推导跨世界变量条件独立性，还构建了即插即用模块并经基准实验验证有效。
2024-06-18 cs.AI cs.LG stat.ME
A Structural Causal Model for Electronic Device Reliability: From Effects to Counterfactuals
本文提出参数化结构因果模型，利用观测和实验数据估计电子设备失效的因果效应与反事实，应对删失数据，并用合成数据验证。
2025-06-23 stat.AP
On efficient adjustment in causal graphs
我们考虑通过协变量调整从观察数据估计总的因果效应。理想情况下，调整集是根据给定的因果图选择的，反映了对潜在因果结构的了解。但是，有效的调整集不是唯一的。最近的研究介绍了一个图形标准的“最佳”有效调整集（O集）。对于一个给定的图，调整的O-集产生最小的渐近方差相比，其他调整集在某些参数和非参数模型。本文给出了O-集的三个新结果。首先，我们给出了一个新的，更直观的图形特征：我们证明了O-集是一个合适的潜在投影图，我们称之为禁止投影的结果节点（S）的父集。一个重要的属性是，禁止投影通过协变量调整保留了与总因果效应估计相关的所有信息，使其本身成为一个有用的方法工具。其次，我们扩展了现有的IDA算法使用O-集，并认为该算法仍然是半局部的。这在R包pcalg中实现。第三，我们提出的假设下，O-集可以被视为流行的非图形变量选择算法，如逐步向后选择的目标集。
2020-12-22 math.ST stat.TH
An introduction to Causal Modelling
本教程整合潜在结果与图方法介绍现代因果建模，涵盖反事实推理、因果效应测度、随机实验识别、逆概率加权及因果图等，为应用研究者提供简明实用的指导。
2025-06-26 math.ST stat.ME stat.ML
Causal Effect Identification in LiNGAM Models with Latent Confounders
Technical University of Munich（慕尼黑工业大学）；Ecole Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；Leiden University（莱顿大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）
本文研究了带有潜在变量的 LiNGAM 模型中因果效应的可识别性，在因果图已知与未知两种设定下提供了完整的图特征描述与认证算法，并改编 RICA 算法实现因果效应估计。
2024-06-04 cs.LG stat.ME stat.ML
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
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
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
Foundations of Causal Discovery on Groups of Variables
本文为变量组因果发现建立理论基础，探讨微观与组级假设关系，分析因果忠实性条件，涵盖含环和双向边的图模型及分组时间序列特例。
2024-03-19 math.ST stat.ME stat.TH
On efficient covariate adjustment selection in causal effect estimation
本文针对观测数据因果效应估计中的协变量调整选择问题，提出基于混合整数优化和因果约束的无图方法CMIO，在存在隐藏变量及缺乏因果充分性条件下实现有效且高效的协变量调整。
2023-05-26 stat.ME
Statistical Perspective on Functional and Causal Neural Connectomics: The Time-Aware PC Algorithm
大脑中神经元之间基于其活动的信息流的表示被称为因果功能连接体。这种表征结合了神经元活动的动态性质和它们之间的因果相互作用。与连接体不同，因果功能连接体不能直接观察到，需要从神经时间序列中推断。一个流行的统计框架推断因果连接的观察是有向概率图形建模。它的共同制定是不适合神经时间序列，因为是独立和相同分布的静态样本的变量。在这项工作中，我们提出了一种新的方法，适应定向概率图形建模的时间序列的情况下，从神经时间序列的因果功能连接的模型和估计。特别是，我们开发的时间感知PC（TPC）算法估计的因果功能连接，适应PC算法的统计因果推理的最先进的方法。我们发现，TPC的模型结果具有反映神经相互作用的因果关系，如非参数的属性，表现出有向马尔可夫性质的时间序列设置，并预测的后果，反事实干预的时间序列。我们证明了该方法的实用性，以获得因果功能连接体的几个数据集，包括模拟，基准数据集，和最近的多阵列电生理记录从小鼠视觉皮层。
2022-04-12 q-bio.NC q-bio.QM stat.AP
Faithlessness in Gaussian graphical models
研究高斯有向无环图模型中附加额外条件独立性陈述的蕴含问题，利用代数技术完整刻画了蕴含具有图性质的条件，并为近似偏相关蕴含问题提供了图解法。
2024-04-24 math.AC math.CO math.ST
Causality and independence in perfectly adapted dynamical systems
University of Amsterdam（阿姆斯特丹大学）
动态系统中的完美适应是这样一种现象，即一个或多个变量对外部刺激的持续变化有初始的瞬态响应，但当系统收敛到平衡时恢复到它们的原始值。在因果排序算法的帮助下，可以构建动态系统的图形表示，表示变量之间的因果关系和平衡分布中的条件独立性。我们应用这些工具，制定充分的图形条件，从一组一阶微分方程识别完美的适应。此外，我们给出了充分条件，以测试存在的完美适应的实验平衡数据。我们将这种方法应用于蛋白质信号通路的简单模型，并在模拟和使用真实世界的蛋白质表达数据中测试其预测。我们证明，完美的适应可能会导致误导方向的因果发现算法的输出边缘。
2023-02-23 cs.AI stat.ML
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
Inference for Individual Mediation Effects and Interventional Effects in Sparse High-Dimensional Causal Graphical Models
我们考虑的问题，确定中间变量（或介质），调节治疗的效果对反应变量。虽然已经有了显着的研究，这个经典的话题，很少的工作已经做了一套潜在的调解人是高维（HD）。当这些介质相互关联（具有未知的依赖性）时，会出现进一步的复杂性。特别是，我们假设治疗的因果结构，混杂因素，潜在的介质和反应是一个（可能是未知的）有向无环图（DAG）。HD DAG模型以前曾用于估计观测数据的因果效应。特别是，称为IDA和联合IDA的方法已经分别开发用于估计单一和多个同时干预的效果。在本文中，我们提出了一个IDA型的方法，称为MIDA的估计所谓的个人中介作用，从HD观测数据。虽然IDA和联合IDA估计已被证明是一致的，在某些稀疏HD设置，其渐近性质，如依分布收敛和推理工具，在这样的设置仍然未知。本文证明了具有亚高斯误差的线性结构方程模型的MIDA的HD相合性。更重要的是，我们得出分布收敛结果MIDA在类似的HD设置，这是适用于IDA和联合IDA估计以及。据我们所知，这是第一个这样的分布收敛的结果，便于推断IDA型估计。这些都是建立在我们的新的理论结果，关于统一的界限线性回归估计在不同的子集HD协变量，这可能是独立的利益。最后，我们经验验证我们的渐近理论MIDA，并通过模拟和实际数据的应用证明其实用性。
2021-07-28 math.ST stat.ME stat.ML
Causal Discovery with a Mixture of DAGs
Vanderbilt University Medical Center（范德比尔特大学医学中心）
生物医学中的因果过程可能包含周期，随着时间的推移而演变或在人群之间存在差异。然而，许多图形模型不能适应这些条件。我们建议使用有向循环图（DAG）的混合物来建模因果关系，其中人口中的联合分布在任何单个时间点都遵循DAG，但在时间上可能不同的DAG。我们还介绍了一种算法，称为因果推断混合，使用纵向数据来推断一个图形，总结了从混合的DAG产生的因果关系。实验表明，与现有方法相比，性能有所改善。
2020-09-05 cs.LG stat.AP stat.ML
A Combinatorial Solution to Causal Compatibility
在因果推断的领域内，人们希望从这些变量表现出的相关性中学习变量系统之间的因果关系的结构;其子问题是证明给定的因果假设是否与观察到的相关性相容。评估因果相容性的一个特别具有挑战性的设置是在部分信息的存在下;即当一些变量是隐藏的/潜在的。本文介绍了可能世界的框架作为一种方法来决定因果相容性在这个困难的设置。我们定义了一个图形对象，称为可能世界图，它完整地描述了所有可能的观察结果的集合。从这个结构中，我们明确地证明，使用几个例子，如何证明因果不相容。事实上，我们使用这些结构来证明因果不相容性，没有其他技术能够做到这一点。此外，我们证明了可能世界的框架可以适应提供一个完整的解决方案的可能性因果相容性问题。更重要的是，我们还讨论了如何利用图形对称性和跨世界的一致性约束，以实现必要的兼容性测试，我们证明收敛到充分的层次结构。
2020-10-23 quant-ph stat.OT
Colored Gaussian directed acyclic graphical models
本文提出彩色高斯有向无环图模型（BPEC-DAGs），通过聚类节点直接原因到社区中，增强了因果推断能力，并证明了结构可识别性。
2025-11-07 math.ST stat.TH
