Consistent Bayesian causal discovery for structural equation models with equal error variances
等误差方差结构方程模型的一致贝叶斯因果发现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：摘要直接研究结构方程模型中因果 DAG 的可识别性和一致恢复，属于因果发现方向。
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…
等误差方差结构方程模型的一致贝叶斯因果发现
- 研究问题
- 在线性无环结构方程模型中，若误差相互独立且方差相等但不必服从高斯分布，如何用贝叶斯方法一致恢复真实因果图？
- 方法与思路
- 作者采用等误差方差高斯工作模型及独立 g 先验，利用预测残差平方误差总和的最小化性质，建立 DAG 选择的一致性。
- 材料陈述的贡献
- 摘要称即使真实误差非高斯，该方法仍可在所述模型设定下恢复真实图，并通过模拟说明；理论依据涉及真实图超图的误差性质。
- 阅读关注点
- 应核对图先验、模型维度及样本量的条件，以及如何从同样最小化误差的超图中选择真实图，并检查等方差偏离的影响。
- 阅读边界
- 依据 arXiv 预印本摘要，同行评审及期刊接收未经核实；不要求高斯分布仍依赖线性、无环、误差独立及等方差等明确设定。
原文摘要
We consider the problem of recovering the true causal structure among a set of variables, generated by a linear acyclic structural equation model (SEM) with the error terms being independent, not necessarily Gaussian, and having equal variances. It is well-known that the true underlying directed acyclic graph (DAG) encoding the causal structure is uniquely identifiable under this assumption. Interestingly, in this setting, it further holds that the sum of minimum expected squared errors for every variable, while predicted by the best linear combination of its parent variables, is minimised if and only if the causal structure is represented by any supergraph of the true DAG. In this work, we propose a Bayesian DAG selection method, where the working model assumes Gaussian SEM with equal error variances, and employ independent g-priors on each set of SEM coefficients. Furthermore, we utilise the aforementioned key property to establish that the proposed method recovers the true graph consistently without any additional distributional assumption, and illustrate it with a simulation study.