Statistical Inference for Bivariate Functional Causal Discovery
二变量函数型因果发现的统计推断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：摘要明确讨论观测数据中的因果方向发现及其假设检验和不确定性量化。
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…
二变量函数型因果发现的统计推断
- 研究问题
- 如何为依赖结构和分布假设的二变量因果发现提供明确统计推断，并区分方向证据不足与模型假设违反的情形？
- 方法与思路
- 作者将拟合优度和独立性检验纳入双向假设检验框架，以两项检验形成四类发现结果，并用重抽样估计结果发生率。
- 材料陈述的贡献
- 摘要称，该框架提供方向判断的不确定性量化和假设诊断，并通过不同程度假设违反的模拟及真实数据展示其行为。
- 阅读关注点
- 应核对两方向的原假设、四类结果的解释、检验误差控制，以及重抽样结果发生率与因果方向证据之间的关系。
- 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；摘要将其定位为统一推断的第一步，未说明所有模型类的有效性。
原文摘要
Causal discovery methods aim to determine the causal direction between variables using observational data. Functional causal discovery methods rely on structural and distributional assumptions to determine directionality but typically lack statistical inference. This paper reviews the statistical guarantees of existing functional causal discovery methods in theory, software, and applied use, highlighting a key gap: the absence of a unified inferential framework that applies broadly across model classes. As a first step toward addressing this gap, we formalize a test-based approach for bivariate causal discovery by repurposing goodness-of-fit and independence tests within a hypothesis-testing framework. Because directionality is determined through two disjoint hypothesis tests, corresponding to four causal discovery outcomes, the approach provides explicit uncertainty quantification and diagnostic insight into assumption violations. Resampling is further used to estimate the rates of causal discovery outcomes, offering an additional layer of inference. We demonstrate the use and behavior of our inferential framework through simulations that vary the degree of assumption violation, as well as through real-data applications. We conclude with practical lessons and recommendations for advancing statistical guarantees in functional causal discovery.