On Identifiability of Conditional Causal Effects
条件因果效应的可识别性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：摘要直接研究因果图、干预分布、do-calculus 与条件因果效应的可识别性。
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…
条件因果效应的可识别性
- 研究问题
- 给定因果图及一组观测或特定形式的干预分布时，如何判定任意条件因果效应是否可识别，并明确正值性所起的作用？
- 方法与思路
- 作者研究条件广义可识别性问题，显式加入正值性假设，并提出可靠且完备的算法以证明 do-calculus 对该问题的完备性。
- 材料陈述的贡献
- 摘要称将无条件广义识别和仅凭观测分布的条件识别结果扩展至此问题，并通过明确正值性修订相关识别讨论。
- 阅读关注点
- 应核对可用分布 Q[S] 的范围、正值性的具体要求、条件事件的支持，以及算法可靠性与完备性证明的适用边界。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未提供算法步骤或证明，识别结论也不直接保证有限样本估计可行。
原文摘要
We address the problem of identifiability of an arbitrary conditional causal effect given both the causal graph and a set of any observational and/or interventional distributions of the form $Q[S]:=P(S|do(V\setminus S))$, where $V$ denotes the set of all observed variables and $S\subseteq V$. We call this problem conditional generalized identifiability (c-gID in short) and prove the completeness of Pearl's $do$-calculus for the c-gID problem by providing sound and complete algorithm for the c-gID problem. This work revisited the c-gID problem in Lee et al. [2020], Correa et al. [2021] by adding explicitly the positivity assumption which is crucial for identifiability. It extends the results of [Lee et al., 2019, Kivva et al., 2022] on general identifiability (gID) which studied the problem for unconditional causal effects and Shpitser and Pearl [2006b] on identifiability of conditional causal effects given merely the observational distribution $P(\mathbf{V})$ as our algorithm generalizes the algorithms proposed in [Kivva et al., 2022] and [Shpitser and Pearl, 2006b].