MixCIT: A Kernel Based Local-Polynomial Debiased Test for Conditional Independence on Mixed-Type Data
MixCIT：面向混合类型数据的核局部多项式去偏条件独立检验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：摘要明确把条件独立检验用于因果发现，因此归入因果推断相关方法；该分类不意味着检验本身即可识别因果效应。
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
MixCIT：面向混合类型数据的核局部多项式去偏条件独立检验
- 研究问题
- 当变量同时包含离散和连续成分时，如何构造统一的非参数条件独立检验，并控制局部平滑偏差与高维检测难度？
- 方法与思路
- 作者在离散分量上精确匹配、连续分量上近邻匹配，比较邻域内响应的核相似度，并用局部多项式去除平滑偏差。
- 材料陈述的贡献
- 摘要称建立各数据类型组合下的渐近零分布，证明不依赖维度的局部备择检测门槛，并提出近二次复杂度算法。
- 阅读关注点
- 应核对渐近分布与检测门槛所需的光滑性、维度和近邻条件，以及去偏步骤、图校准和计算复杂度的具体定义。
- 阅读边界
- 这是预印本，同行评审及期刊接收未获核实。摘要未说明完整正则条件，所称检测门槛不能直接理解为任意样本下的保证。
原文摘要
Conditional independence testing (CIT) is fundamental to modern statistical inference in areas related to causal discovery and variable selection. While marginal independence is relatively well-understood, despite multiple advances, no existing non-parametric CIT provides a unified, efficient, and statistically guaranteed solution across heterogeneous data. We introduce a graph-based test statistic comparing kernel similarities of the response within composite neighborhoods that use exact matching on discrete components and $k_n$-nearest-neighbor matching on continuous ones. The raw statistic, related to prior constructions, suffices under fully discrete conditioning. However, when at least one conditioning variable is continuous, we instead use a local-polynomial debiased variant that cancels the local smoothing bias. We rigorously establish its asymptotic null distribution across all data-type combinations. We further prove a dimension-free $n^{-1/4}$ detection threshold under local alternatives, eliminating the phase transition that affects geometric estimators in high dimensions. Finally, we develop efficient algorithms with near-quadratic complexity and analytic graph-based calibration, bypassing the cubic bottlenecks of global kernel methods.