Using Heteroscedasticity for Causal Discovery under Hidden Confounding
利用异方差在隐藏混杂下进行因果发现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：摘要核心为隐藏混杂与无效工具变量下的因果发现与因果效应识别，属因果推断；其应用示例为基因调控网络分析，涉及网络结构，故同时归入网络与干扰。
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…
利用异方差在隐藏混杂下进行因果发现
- 研究问题
- 摘要称，观察性研究中隐藏混杂会妨碍有向无环图（DAG）所编码因果结构的识别与估计；现有工具变量方法多要求有效工具变量，而实践中未必可得。论文研究在同时存在隐藏混杂与无效工具变量的情形下，如何发现因果结构并推断因果效应。
- 方法与思路
- 作者提出利用异方差的新框架：通过异方差所诱导的交叉协方差与自协方差向量之间的关系，建立叶节点的新线性刻画，从而递归恢复因果顺序，且不要求任何候选工具变量有效；在确定顺序后，序贯构造替代工具变量以识别因果效应与方向，进而恢复整个 DAG，并提出数据自适应估计程序。
- 材料陈述的贡献
- 摘要称，该方法可在存在隐藏混杂和无效工具变量的条件下递归识别因果顺序并恢复完整 DAG；作者证明该方法能一致地恢复潜在 DAG，并给出因果效应的渐近正态估计量；模拟研究显示相对现有方法有显著改进，并通过对基因调控网络的应用说明其实用价值。
- 阅读关注点
- 阅读全文时应核对：异方差条件的具体形式与可检验性、叶节点线性刻画所依赖的识别假设、替代工具变量的构造与有效性论证、一致性与渐近正态性所需的正则条件、模拟设计是否贴近所声称的混杂与无效工具变量情形，以及基因调控网络应用中数据与结论的具体依据。
- 阅读边界
- 仅依据摘要，无法判断识别假设是否合理、定理条件是否可满足、模拟与实证结果的具体数值，也无法评估方法相对既有方法的实际优势。该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收或获得学术认可。
原文摘要
The presence of hidden confounding in observational studies poses a fundamental challenge to the identification and estimation of causal structures encoded by directed acyclic graphs (DAGs). While instrumental variables (IVs) have been widely used to address hidden confounding, most existing methods require valid instruments, which may be unavailable in practice. In this paper, we develop a novel framework for causal discovery and inference in DAGs that accommodates both hidden confounding and invalid IVs by exploiting heteroscedasticity. We establish a novel linear characterization of leaf nodes through heteroscedasticity-induced relationships between cross-covariance and self-covariance vectors, enabling recursive recovery of the causal order without requiring any candidate IV to be valid. Given the identified order, we then sequentially construct surrogate IVs to identify the causal effects and directions, thereby recovering the entire DAG. We also propose a data-adaptive procedure for estimating the DAG and causal effects. We show that the proposed method consistently recovers the underlying DAG and yields asymptotically normal estimators of causal effects. Extensive simulation studies demonstrate substantial improvements over existing methods. We further illustrate the practical utility of the proposed method through an application to gene regulatory network analysis.