Causal Effect Identification in lvLiNGAM from Higher-Order Cumulants
利用高阶累积量识别 lvLiNGAM 中的因果效应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：摘要直接研究潜在混杂下利用代理和工具变量识别因果效应。
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…
利用高阶累积量识别 lvLiNGAM 中的因果效应
- 研究问题
- 在线性非高斯无环模型存在潜在混杂时，单个可能影响处理的代理变量，或数量少于处理的工具变量，能否支持因果效应识别？
- 方法与思路
- 作者利用高阶累积量研究潜变量线性非高斯无环模型，分别处理单代理变量与工具变量不足的情形，并提出相应估计方法。
- 材料陈述的贡献
- 摘要称，在所研究模型中可用单个代理或工具变量识别因果效应，并通过实验展示相较现有方法的准确性与稳健性。
- 阅读关注点
- 应核对非高斯性、潜变量结构及代理或工具的限制，明确可识别的是哪些效应，并检查所用累积量阶数和估计所需矩条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未列出完整识别假设，单代理或单工具结论不能推广至一般潜在混杂模型。
原文摘要
This paper investigates causal effect identification in latent variable Linear Non-Gaussian Acyclic Models (lvLiNGAM) using higher-order cumulants, addressing two prominent setups that are challenging in the presence of latent confounding: (1) a single proxy variable that may causally influence the treatment and (2) underspecified instrumental variable cases where fewer instruments exist than treatments. We prove that causal effects are identifiable with a single proxy or instrument and provide corresponding estimation methods. Experimental results demonstrate the accuracy and robustness of our approaches compared to existing methods, advancing the theoretical and practical understanding of causal inference in linear systems with latent confounders.