Complete Causal Identification from Ancestral Graphs under Selection Bias
选择偏差下祖先图的完备因果识别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：摘要直接研究潜在变量和选择偏差下的图形因果识别及因果演算。
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
选择偏差下祖先图的完备因果识别
- 研究问题
- 当因果发现仅得到部分祖先图，且存在潜在变量与选择偏差时，如何判定哪些因果效应能够由可用数据识别？
- 方法与思路
- 作者刻画部分祖先图所代表全部因果模型共有的扩展条件独立关系，据此建立测度论版本因果演算与识别算法。
- 材料陈述的贡献
- 摘要称，提出的算法在选择偏差下具有可靠性和完备性，结果也适用于某些结合观测、实验数据及背景知识得到的图。
- 阅读关注点
- 应核对选择变量的处理、扩展条件独立关系的定义，以及算法可靠性与完备性的对象、可用数据范围和不可识别判据。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审与期刊接收未核实；摘要未列出识别算法、测度条件或适用的具体因果发现算法。
原文摘要
Many causal discovery algorithms, including the celebrated FCI algorithm, output a Partial Ancestral Graph (PAG). PAGs serve as an abstract graphical representation of the underlying causal structure, modeled by directed acyclic graphs with latent and selection variables. This paper develops a characterization of the set of extended-type conditional independence relations that are invariant across all causal models represented by a PAG. This theory allows us to formulate a general measure-theoretic version of Pearl's causal calculus and a sound and complete identification algorithm for PAGs under selection bias. Our results also apply when PAGs are learned by certain algorithms that integrate observational data with experimental data and incorporate background knowledge.