Valid Inference After Causal Discovery
因果发现之后的有效推断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：摘要直接研究因果发现后的因果效应推断及置信区间覆盖问题，因此归入因果推断。
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…
因果发现之后的有效推断
- 研究问题
- 在同一数据上先发现因果结构、再估计因果效应时，如何处理重复使用数据导致的经典置信区间覆盖保证失效？
- 方法与思路
- 作者开发因果发现后的有效推断工具，并在经验研究中比较直接串联方法、所提方法与数据拆分方案的表现。
- 材料陈述的贡献
- 摘要报告，直接串联会明显提高不覆盖率；所提方法获得可靠覆盖，并在所展示研究中比数据拆分实现更准确的因果发现。
- 阅读关注点
- 应核对推断针对的效应及选择对象、因果发现假设、覆盖保证的具体形式，以及与数据拆分比较的算法和评价标准。
- 阅读边界
- 依据 arXiv 2208.05949v3 预印本摘要，不能据此声称已经同行评审或期刊接收，也不推断刊本变化；具体方法、保证条件和结果数值未说明。
原文摘要
Causal discovery and causal effect estimation are two fundamental tasks in causal inference. While many methods have been developed for each task individually, statistical challenges arise when applying these methods jointly: estimating causal effects after running causal discovery algorithms on the same data leads to "double dipping," invalidating the coverage guarantees of classical confidence intervals. To this end, we develop tools for valid post-causal-discovery inference. Across empirical studies, we show that a naive combination of causal discovery and subsequent inference algorithms leads to highly inflated miscoverage rates; on the other hand, applying our method provides reliable coverage while achieving more accurate causal discovery than data splitting.