Conditional Independence Testing with Heteroskedastic Data and Applications to Causal Discovery
异方差数据的条件独立检验及其因果发现应用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：摘要将条件独立检验用于结构因果模型与约束式因果发现，因此归入因果推断；未出现其他细分所需的直接证据。
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…
异方差数据的条件独立检验及其因果发现应用
- 研究问题
- 当条件方差不恒定、传统条件独立检验的假设不合适时，如何借助异方差关系的专家知识改进检验与因果结构发现？
- 方法与思路
- 作者在结构因果模型中描述异方差，调整偏相关条件独立检验，并给出检验一致性及其在一定条件下用于因果发现的结果。
- 材料陈述的贡献
- 摘要称，调整后的检验在异方差实验中优于标准检验，在同方差情形表现相当，并讨论将专家知识用于因果发现的限制。
- 阅读关注点
- 应核对专家知识须包含哪些异方差关系、调整公式的适用模型，以及检验一致性推广到因果发现所需的额外假设。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未列出一致性条件，不能据此认定方法适用于任意异方差结构。
原文摘要
Conditional independence (CI) testing is frequently used in data analysis and machine learning for various scientific fields and it forms the basis of constraint-based causal discovery. Oftentimes, CI testing relies on strong, rather unrealistic assumptions. One of these assumptions is homoskedasticity, in other words, a constant conditional variance is assumed. We frame heteroskedasticity in a structural causal model framework and present an adaptation of the partial correlation CI test that works well in the presence of heteroskedastic noise, given that expert knowledge about the heteroskedastic relationships is available. Further, we provide theoretical consistency results for the proposed CI test which carry over to causal discovery under certain assumptions. Numerical causal discovery experiments demonstrate that the adapted partial correlation CI test outperforms the standard test in the presence of heteroskedasticity and is on par for the homoskedastic case. Finally, we discuss the general challenges and limits as to how expert knowledge about heteroskedasticity can be accounted for in causal discovery.