CaSPECT: Discovering Causally Homogeneous Subgroups via Directed Spectral Clustering
CaSPECT：用有向谱聚类发现因果同质子群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：摘要核心是因果图学习、后门识别和观察数据中的处理效应；图用于因果结构表达，未提供网络干扰或溢出效应依据。
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…
CaSPECT：用有向谱聚类发现因果同质子群
- 研究问题
- 如何从观察数据中依据学习到的因果传播路径发现可比较、因果同质的个体子群，并在子群内评估处理效应？
- 方法与思路
- 作者结合自助稳定化 PC 算法、方向验证分数和 DirectLiNGAM 学习有向图，以后门识别效应加权，再用有向拉普拉斯进行谱嵌入。
- 材料陈述的贡献
- 摘要声称整套流程几乎必然一致，并在模拟及 LaLonde CPS1、IHDP 和 401(k) 数据中发现可比较子群及显著正向效应。
- 阅读关注点
- 应核对图结构与方向识别的条件、群体图如何映射到个体相似性，以及选群后的效应推断是否计入图学习与聚类不确定性。
- 阅读边界
- 所给版本为 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未说明一致性条件，不能仅凭结果认定严重混杂已被消除。
原文摘要
We propose \textbf{CaSPECT}, a causal spectral clustering framework for discovering causally homogeneous subgroups from observational data. Rather than clustering in covariate space, CaSPECT defines similarity through the topology of a learned directed acyclic graph (DAG); a bootstrap-stabilised PC algorithm recovers the causal skeleton; a novel \emph{Orientation Validation Score} (OVS) combines PC bootstrap evidence with DirectLiNGAM to orient edges robustly; directed edges are weighted by backdoor-identified average treatment effects estimated via OLS or double machine learning. Chung's directed Laplacian provides a spectral embedding in which individuals close together share the same causal propagation pathways. We establish almost-sure consistency of the full pipeline and validate the method through a controlled simulation study and on LaLonde CPS1, IHDP, and 401(k) datasets, where CaSPECT recovers a positive and statistically significant treatment effect within the causally comparable subpopulation and corrects for severe confounding without requiring a pre-specified propensity score model.