Graph-based causal variance decompositions: When "variance explained" means causation
基于因果图的方差分解：何时解释方差意味着因果作用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：摘要明确研究因果图下的识别、因果归因及受控效应解释。
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
基于因果图的方差分解：何时解释方差意味着因果作用
- 研究问题
- 依赖条件化顺序的解释方差分量，何时具有因果含义，纳入部分中介变量后又应如何解释这些分量？
- 方法与思路
- 作者用因果图定义有序方差分量的因果对应物，逐项评估识别，并提出模型插件估计及近似贝叶斯不确定性量化。
- 材料陈述的贡献
- 摘要称识别可针对完整因果图逐分量判断，无须分解变量自身构成因果充分系统，并扩展到受控效应解释。
- 阅读关注点
- 核对因果方差分量的干预定义、拓扑与非拓扑排序的识别条件，以及模型错设和机器学习估计的敏感性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收未核实；摘要未提供具体识别准则和模拟结果，解释方差不能自动获得因果含义。
原文摘要
Recursive application of the law of total variance decomposes the marginal variance of an outcome into components attributed to explanatory variables and a residual component. The resulting decomposition depends on the chosen conditioning order, and its components do not in general have causal interpretations. We develop a graph-based framework for defining causal counterparts of ordered variance components and establishing their identification from observed data. Under topological orderings, identification can be assessed component by component against the full causal graph, without requiring the variables included in the decomposition to form a causally sufficient system. We also consider scientifically motivated departures from topological orderings, in which selected intermediate variables are conditioned on to obtain controlled-effect interpretations, motivated by the context of disparities in healthcare delivery. We relate the resulting estimands to causal attribution and variable-importance approaches in machine learning, and propose model-based plug-in estimators together with an approximate Bayesian procedure for uncertainty quantification. A simulation study examines finite-sample performance and sensitivity to outcome-model misspecification and flexible machine-learning estimation.