Incorporating structural uncertainty in causal decision making
在因果决策中纳入结构不确定性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：摘要直接研究竞争因果结构、因果效应及其决策后果，并提出处理结构不确定性的因果推断方法。
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
在因果决策中纳入结构不确定性
- 研究问题
- 根据因果效应作决策时，何种程度的因果方向不确定性会改变决策价值，值得对竞争结构进行模型平均？
- 方法与思路
- 作者聚焦两个变量间相反的因果方向，结合结构不确定性、效应差异和损失函数，研究贝叶斯模型平均的决策表现。
- 材料陈述的贡献
- 摘要提出模型平均有益的三类情形，称在正则条件下证明最优性，并通过模拟考察因果发现方法量化结构不确定性的能力。
- 阅读关注点
- 应核对最优性针对的决策准则、正则条件与结构概率来源，并检查损失函数敏感性及因果发现概率的校准程度。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收未核实；摘要未列出正则条件与量化能力的限制，双变量结论的推广范围尚不明确。
原文摘要
Practitioners making decisions based on causal effects typically ignore structural uncertainty. We analyze when this uncertainty is consequential enough to warrant methodological solutions (Bayesian model averaging over competing causal structures). Focusing on bivariate relationships ($X \rightarrow Y$ vs. $X \leftarrow Y$), we establish that model averaging is beneficial when: (1) structural uncertainty is moderate to high, (2) causal effects differ substantially between structures, and (3) loss functions are sufficiently sensitive to the size of the causal effect. We prove optimality results of our suggested methodological solution under regularity conditions and demonstrate through simulations that modern causal discovery methods can provide, within limits, the necessary quantification. Our framework complements existing robust causal inference approaches by addressing a distinct source of uncertainty typically overlooked in practice.