Ancestor regression in linear structural equation models
线性结构方程模型中的祖先回归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。
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：摘要明确研究线性结构方程模型中的因果祖先发现、因果排序与错误因果发现控制。
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
线性结构方程模型中的祖先回归
- 研究问题
- 在线性结构方程模型中，如何判断哪些变量是某个变量的因果祖先，并在可能无法唯一识别因果结构时控制错误发现？
- 方法与思路
- 作者提出基于线性模型统计检验的祖先判别方法，并将其扩展到因果排序，同时构造检验线性结构方程模型适配性的渐近有效 p 值。
- 材料陈述的贡献
- 摘要称该方法可渐近控制错误因果发现，即使在高斯情形下仍有此保证，但代价是检验功效下降，并提供模型拟合检验。
- 阅读关注点
- 应核对祖先判别所需的模型条件、因果排序的具体构造、错误控制对应的范围，以及高斯情形下可发现与不可发现的关系。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断具体识别条件与有限样本表现；错误控制不等于完整因果结构可被唯一恢复。
原文摘要
Summary We present a new method for causal discovery in linear structural equation models. We propose a simple technique based on statistical testing in linear models that can distinguish between ancestors and non-ancestors of any given variable. Naturally, this approach can then be extended to estimating the causal order among all variables. We provide explicit error control for false causal discovery, at least asymptotically. This holds true even under Gaussianity, where other methods fail due to non-identifiable structures. These Type I error guarantees come at the cost of reduced power. Additionally, we provide an asymptotically valid goodness-of-fit p-value for assessing whether multivariate data stem from a linear structural equation model.