Discovery and inference of a causal network with hidden confounding
存在隐藏混杂时的因果网络发现与推断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。
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：摘要直接研究隐藏混杂下的因果发现、工具变量直接效应估计与因果效应检验。
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…
存在隐藏混杂时的因果网络发现与推断
- 研究问题
- 在具有未测混杂的高斯有向无环图中，如何发现祖先关系和候选工具变量，区分直接与中介效应并检验多个因果效应？
- 方法与思路
- 作者提出 GrIVET，推广剥离算法进行顺序式因果发现，以工具变量分离直接效应，再用似然比方法进行多效应推断。
- 材料陈述的贡献
- 摘要称方法对无效工具变量和不确定干预具有稳健性，并具备一致性、多项式计算复杂度和渐近有效推断等理论保证。
- 阅读关注点
- 应核对隐藏混杂下的可识别条件、工具变量有效性与稳健性范围，以及发现步骤的不确定性如何进入似然比检验。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收未核实。摘要未列出这些保证的具体条件，不能理解为任意隐藏混杂下都可识别。
原文摘要
This article proposes a novel causal discovery and inference method called GrIVET for a Gaussian directed acyclic graph with unmeasured confounders. GrIVET consists of an order-based causal discovery method and a likelihood-based inferential procedure. For causal discovery, we generalize the existing peeling algorithm to estimate the ancestral relations and candidate instruments in the presence of hidden confounders. Based on this, we propose a new procedure for instrumental variable estimation of each direct effect by separating it from any mediation effects. For inference, we develop a new likelihood ratio test of multiple causal effects that is able to account for the unmeasured confounders. Theoretically, we prove that the proposed method has desirable guarantees, including robustness to invalid instruments and uncertain interventions, estimation consistency, low-order polynomial time complexity, and validity of asymptotic inference. Numerically, GrIVET performs well and compares favorably against state-of-the-art competitors. Furthermore, we demonstrate the utility and effectiveness of the proposed method through an application inferring regulatory pathways from Alzheimer's disease gene expression data.