Bayesian sample size determination for causal discovery
因果发现中的贝叶斯样本量确定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：摘要直接研究通过干预识别 DAG 边方向及其样本量设计，属于因果推断；因果图本身不构成网络干扰研究的依据。
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…
关注这篇论文的作者
因果发现中的贝叶斯样本量确定
- 研究问题
- 从具有相同条件独立关系的 DAG 等价类出发，给定干预目标序列后，每次干预需要多少样本才能可靠确定边方向？
- 方法与思路
- 作者采用贝叶斯实验设计，在实验前评估获得充分正确证据的总体概率，据此确定各次干预所需的最优样本量。
- 材料陈述的贡献
- 摘要提出面向干预式因果发现的样本量确定方法，补充已有目标变量选择算法未确定统计精度所需样本量的问题。
- 阅读关注点
- 应核对成功实验与充分证据的判定标准、先验和总体概率的计算，以及最优样本量的约束与序贯更新方式。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未提供先验、证据阈值或样本量最优性的完整定义。
原文摘要
Graphical models based on Directed Acyclic Graphs (DAGs) are widely used to answer causal questions across a variety of scientific and social disciplines. However, observational data alone cannot distinguish in general between DAGs representing the same conditional independence assertions (Markov equivalent DAGs); as a consequence the orientation of some edges in the graph remains indeterminate. Interventional data, produced by exogenous manipulations of variables in the network, enhance the process of structure learning because they allow to distinguish among equivalent DAGs, thus sharpening causal inference. Starting from an equivalence class of DAGs, a few procedures have been devised to produce a collection of variables to be manipulated in order to identify a causal DAG. Yet, these algorithmic approaches do not determine the sample size of the interventional data required to obtain a desired level of statistical accuracy. We tackle this problem from a Bayesian experimental design perspective, taking as input a sequence of target variables to be manipulated to identify edge orientation. We then propose a method to determine, at each intervention, the optimal sample size capable of producing a successful experiment based on a pre-experimental evaluation of the overall probability of substantial correct evidence.