Dual Likelihood for Causal Inference under Structure Uncertainty
结构不确定性下因果推断的对偶似然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：摘要直接研究因果结构学习后的总因果效应推断及其置信区域。
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
结构不确定性下因果推断的对偶似然
- 研究问题
- 因果结构由数据学习而存在不确定性时，如何构造总因果效应的置信区域，同时反映图结构和效应大小的不确定性？
- 方法与思路
- 作者在等误差方差的线性因果关系下使用对偶似然简化检验反演，并从汇点出发自下而上计算置信区域。
- 材料陈述的贡献
- 摘要称对偶似然带来总因果效应置信区域的闭式解，能够同时纳入因果结构学习与非零效应大小的不确定性。
- 阅读关注点
- 应核对等误差方差如何支持结构识别、对偶似然与检验反演的联系，以及闭式区域和递推算法的覆盖保证。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获核实；摘要限定线性且等误差方差，其他情形的适用性未说明。
原文摘要
Knowledge of the underlying causal relations is essential for inferring the effect of interventions in complex systems. In a widely studied approach, structural causal models postulate noisy functional relations among interacting variables, where the underlying causal structure is then naturally represented by a directed graph whose edges indicate direct causal dependencies. In the typical application, this underlying causal structure must be learned from data, and thus, the remaining structure uncertainty needs to be incorporated into causal inference in order to draw reliable conclusions. In recent work, test inversions provide an ansatz to account for this data-driven model choice and, therefore, combine structure learning with causal inference. In this article, we propose the use of dual likelihood to greatly simplify the treatment of the involved testing problem. Indeed, dual likelihood leads to a closed-form solution for constructing confidence regions for total causal effects that rigorously capture both sources of uncertainty: causal structure and numerical size of nonzero effects. The proposed confidence regions can be computed with a bottom-up procedure starting from sink nodes. To render the causal structure identifiable, we develop our ideas in the context of linear causal relations with equal error variances.