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
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
Efficient adjustment sets in causal graphical models with hidden variables
Universidad Torcuato Di Tella（托尔克瓦托·迪·泰莱大学）；University of California, Berkeley（加州大学伯克利分校）；CONICET（阿根廷国家科学技术研究委员会）；Harvard T.H. Chan School of Public Health（哈佛陈曾熙公共卫生学院）
本文研究含隐变量因果图下动态治疗方案的协变量调整集选择，证明相关方差比较准则的适用性，提出最优调整集的存在条件与多项式时间求解算法，基于无向图顶点割的偏序建立其与估计量方差的对应关系。
2020-05-26 cs.AI math.ST stat.ML
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
Probably approximately correct high-dimensional causal effect estimation given a valid adjustment set
从PAC学习角度研究高维有效调整集下的协变量调整，提出$\eps$-马尔可夫毯及更小调整集的发现算法并给出样本复杂度上界，证明无需完美恢复因果结构即可准确估计因果效应。
2024-11-12 math.ST stat.ML stat.TH
Efficient adjustment for complex covariates: Gaining efficiency with DOPE
University of Copenhagen（哥本哈根大学）
本文提出DOPE方法，通过调整协变量信息提升ATE估计效率，适用于高维和复杂数据。
2025-12-05 math.ST stat.ME stat.ML
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
Finite sample-optimal adjustment sets in linear Gaussian causal models
本文研究线性高斯因果模型中的有限样本协变量调整问题，提出 MSE-optimal adjustment set 及样本量与图形准则，证明其在小样本下可优于渐近最优调整集。
2025-06-15 math.ST stat.ME stat.TH
Selecting valid adjustment sets with uncertain causal graphs
Vrije Universiteit（自由大学）
针对因果图不确定时有效调整集选择的问题，提出基于贝叶斯框架和DAG骨架知识的技术，通过测试有限集合实现高效采样与后验概率计算，确保高概率找到有效调整集，实证验证了方法有效性。
2025-11-13 math.ST stat.TH
Complete Characterization for Adjustment in Summary Causal Graphs of Time Series
Univ Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；CNRS（法国国家科学研究中心）；Grenoble INP（格勒诺布尔理工大学）；LIG（实验室）
针对时间序列中仅摘要因果图可用时的多重干预因果效应可识别性问题，提出完备的调整准则充要条件，并给出判断可识别性的伪线性算法。
2025-06-17 cs.AI math.ST stat.TH
Interpretable Causal Graphical Models for Equilibrium Systems with Confounding
University College London（伦敦大学学院）
本文提出可解释的因果图模型用于具有混杂因素的平衡系统，通过抗性图方法提供有效的图表示，并提出灵活的调整集选择方法。
2026-03-25 math.ST stat.ME stat.TH
Substitute adjustment via recovery of latent variables
本文剥离 deconfounder 的因果假设，提出 substitute adjustment，通过恢复潜变量并据此调整结果回归来估计调整后回归参数，并给出独立性条件、轻假设变体、有限样本与渐近理论及模拟验证。
2024-03-01 math.ST stat.ML stat.TH
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
Graphical modelling of multivariate time series
我们引入图形时间序列模型来分析多元时间序列中变量之间的动态关系。建模方法是基于强格兰杰因果关系的概念，并可以应用到时间序列与非线性相关。该模型是从普通的时间序列模型通过施加约束，是由混合图编码。在这些图中，每个组件系列由一个单一的顶点和有向边表示变量之间可能的格兰杰因果关系，而无向边用于映射同期的依赖结构。我们介绍了各种概念的格兰杰因果马尔可夫性，并讨论它们之间的关系和其他马尔可夫性，可以应用在这种情况下。
2011-01-14 math.ST stat.TH
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
Optimal Covariate Adjustment beyond the Average Treatment Effect: Treated-Population and Overlap-Weighted Estimands
Toyo University（东洋大学）
本文证明平均处理效应的最优调整集性质源于其权重，并针对处理人群估计量推导效率界变化恒等式，证明无图最优准则，但无效应修饰时ATE最优集仍最优，并扩展至重叠权重等。
2026-09-15 econ.EM math.ST stat.ME
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
Observable Neural ODEs for Identifiable Causal Forecasting in Continuous Time
Department of Computer Science（计算机科学系）
本文提出可观测的神经ODEs模型，通过连续时间调整公式实现因果可识别，利用观测数据预测不同治疗路径的结果，实验显示在合成癌症数据、半合成数据和真实脓毒症数据上表现优异。
2026-10-07 cs.LG math.OC math.ST
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
The Variance of Causal Effect Estimators for Binary V-structures
调整协变量是一种公认的方法，用于估计暴露变量对关注结果的总体因果效应。根据所研究的机制的因果结构，可能有不同的调整集，从理论角度来看同样有效，导致相同的因果效应。然而，在实践中，有限的数据，估计建立在不同的集合可能会显示不同的精度。为了研究这种变化的程度，我们考虑最简单的非平凡的非线性模型的v-结构上的三个节点的二进制数据。我们明确地计算和比较两个可能的不同的因果估计的方差。此外，通过超越领先的顺序渐近，我们表明，有参数制度的渐近最优方差的设置依赖于边缘系数，这是没有捕获的结果，最近的领先的顺序发展一般的因果模型。作为一个实际结果，调整集的选择需要考虑变量之间的关系相对于样本量的相对大小，不能依赖于纯粹的图形标准。
2021-04-26 math.ST stat.TH
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
Bayesian Inference for High-dimensional Time Series with a Stationary Directed Acyclic Graphical Structure
University of Florida（佛罗里达大学）；University of Maryland Baltimore County（马里兰大学巴尔的摩县分校）；North Carolina State University（北卡罗来纳州立大学）
针对多变量时间序列的因果关系表征问题，提出一种基于有向无环图的贝叶斯建模方法，可适配平稳性并扩展至矩阵变量序列，配套高效算法与理论保证，经仿真和真实数据验证有效。
2026-09-01 math.ST stat.ME 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
