PAIR-CI: Calibrated Conditional Independence Testing for Causal Discovery with Incomplete Data
PAIR-CI：不完整资料因果发现中的校准条件独立检验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：摘要以条件独立检验支持因果发现，并研究其嵌入 PC 算法后的因果图恢复表现。
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
PAIR-CI：不完整资料因果发现中的校准条件独立检验
- 研究问题
- 先插补再做条件独立检验可能因插补误差制造伪依赖；如何把插补不确定性纳入推断，使不完整资料下的因果发现更可靠？
- 方法与思路
- 作者提出配对置换设计，让包含与排除候选变量的交叉验证模型共享插补条件集，并构造同时处理交叉验证和多重插补的方差估计。
- 材料陈述的贡献
- 摘要称，PAIR-CI 提供一致方差估计，在所设模拟中改善假阳性控制；嵌入 PC 算法后降低了多个网络上的结构恢复误差。
- 阅读关注点
- 应核对共享插补误差在损失差中抵消的条件、置换设计的有效性，以及非随机缺失情形下校准结论的理论与模拟范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未完整列出校准条件，所测非随机缺失情形的表现不能保证任意缺失机制下有效。
原文摘要
The standard constraint-based paradigm for causal discovery with incomplete data -- impute first, test second -- is frequently miscalibrated: any consistent conditional independence (CI) test rejects a true null with probability approaching 1 when imputation error induces spurious conditional dependence. We introduce PAIR-CI, a nonparametric CI test that restores calibration by integrating multiple imputation directly into the inferential procedure via a paired permutation design. PAIR-CI compares cross-validated models that include and exclude the candidate variable while receiving the same imputed conditioning set, forcing imputation error to cancel in their loss difference rather than contaminate the test statistic. A provably consistent variance estimator jointly accounts for uncertainty arising from cross-validation and multiple imputation -- to our knowledge, the first formal unification of these two inferential frameworks. In simulations, existing imputation-based CI tests exhibit false positive rates of 28--45% when data are missing not at random (MNAR), whereas PAIR-CI averages below the nominal 5% level across data-generating processes and missingness mechanisms. These gains are largest in nonlinear settings and grow with causal graph size: when integrated into the PC algorithm, PAIR-CI reduces structural Hamming distance by 8% on 10-variable nonlinear graphs, 15% on 30-variable equivalents, and up to 44% on the 56-variable HAILFINDER network, with stable performance in all settings.