TSLiNGAM: DirectLiNGAM under heavy tails
TSLiNGAM：重尾数据下的 DirectLiNGAMAI 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：摘要明确研究结构因果模型中基于观测数据的因果方向与图识别，直接支持因果推断方向而非经济结构估计分类。
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…
TSLiNGAM：重尾数据下的 DirectLiNGAM
- 研究问题
- 在线性、非高斯的因果模型中，如何改进基于观测数据的因果图发现，使其更适应重尾、偏斜和污染数据？
- 方法与思路
- 作者在 DirectLiNGAM 基础上提出 TSLiNGAM，利用误差的非高斯性改进因果结构估计，并通过理论分析与模拟研究评价。
- 材料陈述的贡献
- 摘要称方法在重尾和偏斜数据上表现更好，具有较高的小样本效率和抗污染能力，但未给出具体改进幅度。
- 阅读关注点
- 应核对替代普通最小二乘的具体估计步骤、因果图可识别条件，以及模拟中的尾部设定、污染方式与比较指标。
- 阅读边界
- 所据为 arXiv 预印本，同行评审或期刊接收未核实；摘要未列出完整识别条件，也未说明稳健性成立的范围。
原文摘要
One of the established approaches to causal discovery consists of combining directed acyclic graphs (DAGs) with structural causal models (SCMs) to describe the functional dependencies of effects on their causes. Possible identifiability of SCMs given data depends on assumptions made on the noise variables and the functional classes in the SCM. For instance, in the LiNGAM model, the functional class is restricted to linear functions and the disturbances have to be non-Gaussian. In this work, we propose TSLiNGAM, a new method for identifying the DAG of a causal model based on observational data. TSLiNGAM builds on DirectLiNGAM, a popular algorithm which uses simple OLS regression for identifying causal directions between variables. TSLiNGAM leverages the non-Gaussianity assumption of the error terms in the LiNGAM model to obtain more efficient and robust estimation of the causal structure. TSLiNGAM is justified theoretically and is studied empirically in an extensive simulation study. It performs significantly better on heavy-tailed and skewed data and demonstrates a high small-sample efficiency. In addition, TSLiNGAM also shows better robustness properties as it is more resilient to contamination.