A Latent Causal Inference Framework for Ordinal Variables
有序变量的潜在因果推断框架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：摘要明确以有序变量的干预分布和因果效应为目标，潜在 DAG 是其建模工具；有序变量本身不足以认定为离散选择。
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…
有序变量的潜在因果推断框架
- 研究问题
- 如何计算有序变量之间的干预效应，既保留类别的自然次序，又避免把类别间距离视为已知且可直接比较？
- 方法与思路
- 作者假设有序观测来自潜在高斯 DAG 变量的边际离散化，给定协方差与阈值后推导效应，并结合图结构学习估计。
- 材料陈述的贡献
- 摘要称得到有序因果效应的闭式函数，并以已知和未知图结构的模拟及强迫症、抑郁症状调查展示方法适用性。
- 阅读关注点
- 应核对观测类别上的干预如何映射到潜在空间、图结构可识别范围，以及图与离散阈值估计误差如何进入效应推断。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明图识别与干预解释所需条件，调查应用不能单独确证因果。
原文摘要
Ordinal variables, such as on the Likert scale, are common in applied research. Yet, existing methods for causal inference tend to target nominal or continuous data. When applied to ordinal data, this fails to account for the inherent ordering or imposes well-defined relative magnitudes. Hence, there is a need for specialised methods to compute interventional effects between ordinal variables while accounting for their ordinality. One potential framework is to presume a latent Gaussian Directed Acyclic Graph (DAG) model: that the ordinal variables originate from marginally discretising a set of Gaussian variables whose latent covariance matrix is constrained to satisfy the conditional independencies inherent in a DAG. Conditioned on a given latent covariance matrix and discretisation thresholds, we derive a closed-form function for ordinal causal effects in terms of interventional distributions in the latent space. Our causal estimation combines naturally with algorithms to learn the latent DAG and its parameters, like the Ordinal Structural EM algorithm. Simulations demonstrate the applicability of the proposed approach in estimating ordinal causal effects both for known and unknown structures of the latent graph. As an illustration of a real-world use case, the method is applied to survey data of 408 patients from a study on the functional relationships between symptoms of obsessive-compulsive disorder and depression.