Selecting valid adjustment sets with uncertain causal graphs
因果图不确定时的有效调整集选择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：摘要直接研究因果 DAG 不确定性下用于无偏效应估计的调整集选择。
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
因果图不确定时的有效调整集选择
- 研究问题
- 当因果图的方向不确定、仅知道图的骨架时，如何寻找有效调整集，并避免对指数增长的候选集合逐一检验？
- 方法与思路
- 作者对因果图设置贝叶斯先验，通过图采样评估调整集有效的后验概率，并开发仅检验有限候选集的理论与程序。
- 材料陈述的贡献
- 摘要称，该方法在减少候选集检验数量的同时维持较高的有效调整集发现概率，实证结果展示了程序的有效性。
- 阅读关注点
- 应核对骨架已知的含义、图先验与采样方式、调整有效性的判据，以及发现概率保证和候选集筛选的计算复杂度。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未说明骨架错误或潜在混杂下的保证，后验概率也依赖图先验。
原文摘要
Precise knowledge of causal directed acyclic graphs (DAGs) is assumed for standard approaches towards valid adjustment set selection for unbiased estimation, but in practice, the DAG is often inferred from data or expert knowledge, introducing uncertainty. We present techniques to identify valid adjustment sets despite potential errors in the estimated causal graph. Specifically, we assume that only the skeleton of the DAG is known. Under a Bayesian framework, we place a prior on graphs and wish to sample graphs and compute the posterior probability of each set being valid; however, directly doing so is inefficient as the number of sets grows exponentially with the number of nodes in the DAG. We develop theory and techniques so that a limited number of sets are tested while the probability of finding valid adjustment sets remains high. Empirical results demonstrate the effectiveness of the method.