Causal Modelling of Heavy-Tailed Variables and Confounders with Application to River Flow
重尾变量与混杂因素的因果建模：河流流量应用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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要直接研究重尾变量的因果发现和混杂调整；河流极端事件不构成金融尾部风险分类依据。
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…
重尾变量与混杂因素的因果建模：河流流量应用
- 研究问题
- 当因果机制主要在极端事件中显现时，如何从重尾变量中识别因果关系，并减弱已知潜在混杂因素在不同尾部强度下的影响？
- 方法与思路
- 作者提出重尾变量的因果发现方法，按变量与混杂因素的相对尾部强度处理混杂，并为已有因果尾部系数构造参数估计量及置换检验。
- 材料陈述的贡献
- 摘要称，尾部强度相近时混杂影响可几乎消除，混杂因素尾部更重时也能充分减弱；模拟和河流流量、降水数据展示了方法应用。
- 阅读关注点
- 应核对重尾及相对尾部强度的定义、混杂调整条件、因果尾部系数的方向解释，以及置换检验在相关观测下的有效性。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核验；摘要未说明结构假设及混杂消除的精确范围，也未声称解决未知混杂因素问题。
原文摘要
Confounding variables are a recurrent challenge for causal discovery and inference. In many situations, complex causal mechanisms only manifest themselves in extreme events, or take simpler forms in the extremes. Stimulated by data on extreme river flows and precipitation, we introduce a new causal discovery methodology for heavy-tailed variables that allows the effect of a known potential confounder to be almost entirely removed when the variables have comparable tails, and also decreases it sufficiently to enable correct causal inference when the confounder has a heavier tail. We also introduce a new parametric estimator for the existing causal tail coefficient and a permutation test. Simulations show that the methods work well and the ideas are applied to the motivating dataset.