A Framework for Covariate-Adjusted Bivariate Causal Discovery
协变量调整的二元因果发现框架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：摘要直接研究观测数据中的因果方向识别、协变量调整和碰撞点检测，因此归入因果推断。
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
协变量调整的二元因果发现框架
- 研究问题
- 在协变量影响两个变量关系的情况下，如何仅凭观测数据判断二者的因果方向，并为方向判断提供不确定性量化？
- 方法与思路
- 作者提出非参数条件不对称系数，结合核条件密度估计与交叉拟合估计方向，并通过非参数核平滑开展推断。
- 材料陈述的贡献
- 摘要称该框架兼顾协变量调整与不确定性量化，可用于碰撞点检测，并报告模拟及表观遗传研究中的应用。
- 阅读关注点
- 应核对条件不对称系数识别因果方向所需的假设、协变量选择、核与带宽设置，以及碰撞点检测和推断的成立条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收状态未核实；摘要未说明方向识别的具体条件，不能据此确认模拟中的普遍优势。
原文摘要
Ascertaining causal direction from observational data is a fundamental challenge in scientific inquiry. Of particular interest is the problem of covariate-adjusted bivariate causal discovery, i.e., determining the causal direction between X and Y in the presence of Z. While unadjusted bivariate causal discovery has seen significant advances (Hoyer et al., 2008; Ni, 2022), there is a lack of methodology dealing with real-world bivariate relationships, which are often modulated by a set of covariate(s), Z. Building on previous work in Purkayastha and Song (2025), we introduce a novel, nonparametric framework for the covariate-adjusted bivariate causal discovery problem and propose a conditional asymmetry coefficient to track said direction of causation. We develop a robust estimation procedure using kernel-based conditional density estimation with cross-fitting and also provide rigorous uncertainty quantification using a nonparametric kernel smoothing technique, addressing a key limitation of many existing algorithms. As a key application, we demonstrate how this framework can be applied to the problem of collider detection, a persistent challenge in causal structure learning. Simulation studies show our method's superior performance in identifying causal structures. We apply our approach to an epigenetic study (Perng et al., 2019), investigating the role of blood pressure in regulating the effects of DNA methylation. In summary, our work offers methodological advancement by providing a robust, inferential toolkit for dissecting complex, moderated bivariate causal relationships in observational data.