Ancestor regression in linear structural equation models
线性结构方程模型中的祖先回归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。
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：摘要研究结构方程中的祖先关系、因果排序和错误因果发现控制，直接属于因果推断，未涉及经济结构参数估计。
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
线性结构方程模型中的祖先回归
- 研究问题
- 在线性结构方程模型中，如何用线性模型的统计检验区分某变量的祖先与非祖先，并控制错误因果发现和评估模型拟合？
- 方法与思路
- 作者提出基于线性模型检验的祖先判别方法，将其扩展到因果排序，并构造渐近错误控制和线性结构方程模型拟合检验。
- 材料陈述的贡献
- 摘要称在高斯情形下仍可获得渐近一类错误保证，但代价是经验检验力降低，同时提供渐近有效的拟合优度 p 值。
- 阅读关注点
- 应核对祖先关系可检验的具体条件、高斯情况下结论的范围、整体因果排序的错误控制，以及检验力损失如何衡量。
- 阅读边界
- 所给来源为 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未列模型限制，不能据此认为任意高斯因果结构均可识别。
原文摘要
We present a new method for causal discovery in linear structural equation models. We propose a simple ``trick'' based on statistical testing in linear models that can distinguish between ancestors and non-ancestors of any given variable. Naturally, this can then be extended to estimating the causal order among all variables. We provide explicit error control for false causal discovery, at least asymptotically. This holds true even under Gaussianity, where other methods fail due to non-identifiable structures. These type I error guarantees come at the cost of reduced empirical power. Additionally, we provide an asymptotically valid goodness of fit p-value to assess whether multivariate data stems from a linear structural equation model.