Trek-Based Parameter Identification for Linear Causal Models With Arbitrarily Structured Latent Variables
任意结构潜变量下线性因果模型的 Trek 路径参数识别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：摘要直接研究含潜变量的线性结构方程因果效应识别，图形结构服务于因果识别，未涉及经济网络形成或干扰效应。
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…
关注这篇论文的作者
任意结构潜变量下线性因果模型的 Trek 路径参数识别
- 研究问题
- 作者研究潜变量具有一般图结构时，线性结构方程中的因果效应何时可识别，而不局限于潜变量彼此独立的源节点设定。
- 方法与思路
- 作者提出潜子图的纯图形充分条件，使效应可由协方差矩阵的有理公式识别，并通过整数线性规划检验该条件。
- 材料陈述的贡献
- 摘要称，提供检验该准则的可靠且完备算法，并可将部分模型转化为更简单的测量模型，以辅助识别潜变量之间的效应。
- 阅读关注点
- 应核对潜子图准则的图形限制、是否涉及一般位置识别、算法完备性所针对的对象，以及转化后的测量模型所需条件。
- 阅读边界
- 依据 arXiv 预印本摘要，同行评审或期刊接收未核实；该准则被表述为充分条件，不能据此认定算法判定所有可能的可识别模型。
原文摘要
We develop a criterion to certify whether causal effects are identifiable in linear structural equation models with latent variables. Linear structural equation models correspond to directed graphs whose nodes represent the random variables of interest and whose edges are weighted with linear coefficients that correspond to direct causal effects. In contrast to previous identification methods, we do not restrict ourselves to settings where the latent variables constitute independent latent factors (i.e., to source nodes in the graphical representation of the model). Our novel latent-subgraph criterion is a purely graphical condition that is sufficient for identifiability of causal effects by rational formulas in the covariance matrix. To check the latent-subgraph criterion, we provide a sound and complete algorithm that operates by solving an integer linear program. While it targets effects involving observed variables, our new criterion is also useful for identifying effects between latent variables, as it allows one to transform the given model into a simpler measurement model for which other existing tools become applicable.