Causal discovery in heavy-tailed models
重尾模型中的因果发现AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要核心为因果结构发现与因果尾系数，属因果推断；其极端相依与尾部指数设定直接关联尾部与系统性风险方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
重尾模型中的因果发现
- 研究问题
- 研究如何在因果机制仅体现在极端值（尾部）时识别变量间的因果关系，即把因果推断与极值理论相连接。
- 方法与思路
- 作者定义因果尾系数以刻画两随机变量极端相依性中的不对称性；在线性结构因果模型下证明该系数可揭示因果结构，并基于其相合估计量提出高效算法估计因果结构。
- 材料陈述的贡献
- 摘要称该系数在总体情形下能揭示因果结构，即使存在与观测变量尾部指数相同的潜在共同原因也成立；并证明所提方法能相合地恢复因果顺序，还在合成与真实数据上与其他非极端方法比较。
- 阅读关注点
- 应核对线性结构因果模型与尾部指数等识别假设的具体表述、相合估计量与算法的一致性证明条件，以及合成与真实数据比较的设置和结论细节。
- 阅读边界
- 摘要未说明具体数据、样本量、数值结果与比较优劣；来源版本未注明，无法据此判断是否经同行评审或期刊接收，也不能确认代码与R包的实际内容。
原文摘要
Causal questions are omnipresent in many scientific problems. While much progress has been made in the analysis of causal relationships between random variables, these methods are not well suited if the causal mechanisms only manifest themselves in extremes. This work aims to connect the two fields of causal inference and extreme value theory. We define the causal tail coefficient that captures asymmetries in the extremal dependence of two random variables. In the population case, the causal tail coefficient is shown to reveal the causal structure if the distribution follows a linear structural causal model. This holds even in the presence of latent common causes that have the same tail index as the observed variables. Based on a consistent estimator of the causal tail coefficient, we propose a computationally highly efficient algorithm that estimates the causal structure. We prove that our method consistently recovers the causal order and we compare it to other well-established and nonextremal approaches in causal discovery on synthetic and real data. The code is available as an open-access R package.