CAM: Causal additive models, high-dimensional order search and penalized regression
CAM：因果加性模型、高维排序搜索与惩罚回归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。
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：摘要明确研究编码因果结构的有向无环图及加性结构方程模型的估计。
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
CAM：因果加性模型、高维排序搜索与惩罚回归
- 研究问题
- 对可能高维的加性结构方程模型，如何估计变量的因果顺序与图中的边，并降低因果结构搜索及估计的计算难度？
- 方法与思路
- 作者将变量排序搜索与有向无环图的特征或边选择分离，前者使用不加正则化的受限最大似然，后者使用稀疏回归。
- 材料陈述的贡献
- 摘要称，论文建立低维与高维情形下受限最大似然估计的一致性，允许误差分布错设，并通过模拟和真实数据展示算法表现。
- 阅读关注点
- 应核对因果排序的识别条件、高维增长与稀疏性限制、误差分布错设允许的范围，以及实际算法是否实现理论搜索目标。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；因果识别假设和实验数值未说明，不能据此认定一般观测数据可唯一恢复因果图。
原文摘要
We develop estimation for potentially high-dimensional additive structural equation models. A key component of our approach is to decouple order search among the variables from feature or edge selection in a directed acyclic graph encoding the causal structure. We show that the former can be done with nonregularized (restricted) maximum likelihood estimation while the latter can be efficiently addressed using sparse regression techniques. Thus, we substantially simplify the problem of structure search and estimation for an important class of causal models. We establish consistency of the (restricted) maximum likelihood estimator for low- and high-dimensional scenarios, and we also allow for misspecification of the error distribution. Furthermore, we develop an efficient computational algorithm which can deal with many variables, and the new method’s accuracy and performance is illustrated on simulated and real data.