Hierarchical Causal Models
层级因果模型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：摘要明确扩展结构因果模型、推广 do-calculus 并研究层级干预的识别，直接属于因果推断；嵌套数据不等同于面板。
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
层级因果模型
- 研究问题
- 当子单位嵌套于单位且不同层级变量相互影响时，如何定义并识别因果效应，嵌套数据又能提供哪些汇总数据缺失的识别信息？
- 方法与思路
- 作者在结构因果模型和图模型中加入表示嵌套结构的内层板块，推广 do-calculus 的图识别方法，并发展包括层级贝叶斯模型的估计策略。
- 材料陈述的贡献
- 摘要称，层级数据在某些汇总数据无法识别的情形中可以实现因果识别；文章通过模拟及经典八所学校研究的重新分析展示方法。
- 阅读关注点
- 应核对各层级干预和效应目标的定义、内层板块的概率语义及图识别规则，重点确认哪些子单位信息带来了额外识别能力。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未列出完整识别条件，嵌套结构本身不能保证因果识别，应用结果也未具体报告。
原文摘要
Causal questions often arise in settings where data are hierarchical: subunits are nested within units. Consider students in schools, cells in patients, or cities in states. In these settings, unit-level variables (e.g., a school's budget) may affect subunit-level outcomes (e.g., student test scores), and subunit-level characteristics may aggregate to influence unit-level outcomes. In this paper, we show how to analyze hierarchical data for causal inference. We introduce hierarchical causal models, which extend structural causal models and graphical models by incorporating inner plates to represent nested data structures. We develop a graphical identification technique for these models that generalizes do-calculus. We show that hierarchical data can enable causal identification even when it would be impossible with non-hierarchical data--for example, when only unit-level summaries are available. We develop estimation strategies, including using hierarchical Bayesian models. We illustrate our results in simulation and through a reanalysis of the classic "eight schools" study.