Confidence Sets for Causal Orderings
因果排序的置信集合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：摘要研究因果发现、因果排序置信集合及考虑模型不确定性的因果效应区间。
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…
因果排序的置信集合
- 研究问题
- 因果发现通常给出单一模型或等价类，如何为变量的因果排序量化不确定性，并将模型不确定性传递到因果效应推断？
- 方法与思路
- 作者针对具有加性误差的可识别结构方程模型，使用残差自助法检验候选因果排序的拟合优度，据此构造排序置信集合。
- 材料陈述的贡献
- 摘要称证明了该置信集合的渐近有效性，并说明其可用于构造祖先关系的子集和超集，以及纳入模型不确定性的效应区间。
- 阅读关注点
- 应核对结构方程模型为何可识别、残差重抽样的条件、排序检验的校准，以及从排序集合到祖先关系和效应区间的步骤。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未列明识别条件、计算复杂度或有限样本覆盖表现。
原文摘要
Causal discovery procedures aim to deduce causal relationships among variables in a multivariate dataset. While various methods have been proposed for estimating a single causal model or a single equivalence class of models, less attention has been given to quantifying uncertainty in causal discovery in terms of confidence statements. A primary challenge in causal discovery of directed acyclic graphs is determining a causal ordering among the variables, and our work offers a framework for constructing confidence sets of causal orderings that the data do not rule out. Our methodology specifically applies to identifiable structural equation models with additive errors and is based on a residual bootstrap procedure to test the goodness-of-fit of causal orderings. We demonstrate the asymptotic validity of the confidence set constructed using this goodness-of-fit test and explain how the confidence set may be used to form sub/supersets of ancestral relationships as well as confidence intervals for causal effects that incorporate model uncertainty.