An Introduction to Causal Discovery
因果发现导论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：摘要围绕因果发现、因果图与效应识别准则展开，直接属于因果推断；因果图本身不足以支持网络干扰分类。
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…
关注这篇论文的作者
因果发现导论
- 研究问题
- 这篇综述关注如何从多个变量的统计关联中学习因果关系，并向经济学和社会科学读者解释系统性因果发现与处理效应分析的联系。
- 方法与思路
- 作者介绍 d-分离、因果忠实性和马尔可夫等价等概念，概述发现算法，并讨论后门与前门准则及观察数据中的应用示例。
- 材料陈述的贡献
- 摘要所述贡献是一份面向经济学和社会科学的入门综述，连接因果图学习、结果直接原因的发现及因果效应识别问题。
- 阅读关注点
- 应核对各类算法依赖的图结构和数据假设，区分可识别的等价类与唯一因果方向，并理解发现结果如何支持效应识别。
- 阅读边界
- 所给来源为 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明综述覆盖范围、具体算法条件或可靠性比较。
原文摘要
In social sciences and economics, causal inference traditionally focuses on assessing the impact of predefined treatments (or interventions) on predefined outcomes, such as the effect of education programs on earnings. Causal discovery, in contrast, aims to uncover causal relationships among multiple variables in a data-driven manner, by investigating statistical associations rather than relying on predefined causal structures. This approach, more common in computer science, seeks to understand causality in an entire system of variables, which can be visualized by causal graphs. This survey provides an introduction to key concepts, algorithms, and applications of causal discovery from the perspectives of economics and social sciences. It covers fundamental concepts like d-separation, causal faithfulness, and Markov equivalence, sketches various algorithms for causal discovery, and discusses the back-door and front-door criteria for identifying causal effects. The survey concludes with more specific examples of causal discovery, e.g. for learning all variables that directly affect an outcome of interest and/or testing identification of causal effects in observational data.