A cautious approach to constraint-based causal model selection
基于约束的因果模型选择：一种审慎方法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：摘要明确将条件独立约束下的因果图选择与调整变量、因果效应估计相连接，因此直接对应因果推断方向。
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…
关注这篇论文的作者
基于约束的因果模型选择：一种审慎方法
- 研究问题
- 当学习因果图是为了选择调整变量并估计效应时，如何减少错误删除因果边的风险，使图选择更符合后续推断目标？
- 方法与思路
- 作者反转通常的条件独立检验，以条件关联超过用户阈值作为待拒绝原假设，通过等价检验决定是否删除边。
- 材料陈述的贡献
- 摘要提出偏向保留较密图的审慎选择程序，称其统计性质更符合部分因果效应研究的目标，并给出环境流行病学示例。
- 阅读关注点
- 应核对关联度量与阈值含义、错误删边概率的控制层级，以及保留较密图是否仍能支持有效的调整变量选择。
- 阅读边界
- 这是预印本，同行评审或期刊接收未经核验；摘要未列错误控制条件，保留更多边也不能单独保证因果效应可识别。
原文摘要
We study the data-driven selection of causal graphical models using constraint-based algorithms, which determine the existence or non-existence of edges (causal connections) in a graph based on testing a series of conditional independence hypotheses. In settings where the ultimate scientific goal is to use the selected graph to inform estimation of some causal effect of interest (e.g., by selecting a valid and sufficient set of adjustment variables), we argue that a "cautious" approach to graph selection should control the probability of falsely removing edges and prefer dense, rather than sparse, graphs. We propose a simple inversion of the usual conditional independence testing procedure: to remove an edge, test the null hypothesis of conditional association greater than some user-specified threshold, rather than the null of independence. This equivalence testing formulation to testing independence constraints leads to a procedure with desriable statistical properties and behaviors that better match the inferential goals of certain scientific studies, for example observational epidemiological studies that aim to estimate causal effects in the face of causal model uncertainty. We illustrate our approach on a data example from environmental epidemiology.