Towards identifiability of micro total effects in summary causal graphs with latent confounding: extension of the front-door criterion
含潜在混杂的汇总因果图中微观总效应的可识别性：前门准则扩展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：摘要直接研究观察数据中的总因果效应识别，并扩展前门准则以处理潜在混杂和部分指定图，因此归入因果推断方向。
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
含潜在混杂的汇总因果图中微观总效应的可识别性：前门准则扩展
- 研究问题
- 当动态系统的因果图只汇总变量关系、不指定时间滞后，并可能包含环和潜在混杂时，能否从观察数据识别微观总效应？
- 方法与思路
- 作者研究汇总因果图中的总效应识别，沿前门准则的思路提出充分图条件，以覆盖存在环、潜在混杂且无法通过调整识别的情况。
- 材料陈述的贡献
- 摘要称，研究为这种部分指定的动态因果图提供了总效应可识别的充分条件，扩展了完整因果图中相关识别结果的适用范围。
- 阅读关注点
- 应核对微观总效应与汇总图的精确定义、允许的时间滞后，以及充分条件如何处理环和潜在混杂，是否附有可用的识别公式。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未列出图条件和证明，所述充分条件也不能直接当作不可识别的判据。
原文摘要
Conducting experiments to estimate total effects can be challenging due to cost, ethical concerns, or practical limitations. As an alternative, researchers often rely on causal graphs to determine whether these effects can be identified from observational data. Identifying total effects in fully specified causal graphs has received considerable attention, with Pearl's front-door criterion enabling the identification of total effects in the presence of latent confounding even when no variable set is sufficient for adjustment. However, specifying a complete causal graph is challenging in many domains. Extending these identifiability results to partially specified graphs is crucial, particularly in dynamic systems where causal relationships evolve over time. This paper addresses the challenge of identifying total effects using a specific and well-known partially specified graph in dynamic systems called a summary causal graph, which does not specify the temporal lag between causal relations and can contain cycles. In particular, this paper presents sufficient graphical conditions for identifying total effects from observational data, even in the presence of cycles and latent confounding, and when no variable set is sufficient for adjustment.