Rate-Based Causal Discovery for Heavy-Tailed Models
重尾模型中的基于比率的因果发现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：摘要核心是重尾结构因果模型中的因果发现与祖先关系识别，直接对应因果推断；其动机与极端事件传播、金融市场的尾部风险相关，故同时归入尾部与系统性风险。
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
重尾模型中的基于比率的因果发现
- 研究问题
- 摘要称，在河网、金融市场等复杂系统中极端事件会沿因果链传播，而现有极端情形下的因果发现方法只适用于线性或最大线性等特定机制；本文要研究的是：在允许线性、最大线性与范数型机制逐节点不同的重尾同质结构因果模型中，如何识别因果结构与祖先关系。
- 方法与思路
- 作者提出祖先脉冲响应的极值最小比率估计量，仅使用潜在原因取极端值的观测；摘要称该估计量在正则变化假设下即具一致性，并推导了收敛速率与极限分布，进而据此构造因果次序与全部祖先关系的一致估计量，所用阈值自适应且无需知道尾指数。
- 材料陈述的贡献
- 摘要明确陈述的贡献是：把极端因果发现推广到更灵活的重尾同质结构因果模型类，给出极值最小比率估计量及其一致性、精确收敛速率与极限分布，并基于这些速率构造因果次序和祖先关系的一致估计，在模拟数据与多瑙河上游径流数据上做了展示。
- 阅读关注点
- 阅读全文时应核对：同质结构因果模型与祖先脉冲响应的精确定义及识别条件；正则变化假设的具体形式与适用范围；收敛速率和极限分布如何依赖因果联系与机制类型；自适应阈值的构造与理论保证；模拟设计与多瑙河上游数据的变量、样本与结论是否支持摘要中的说法。
- 阅读边界
- 仅凭摘要无法判断估计量在有限样本下的表现、阈值选择的实际敏感性、模拟与实证的具体结果，也无法确认模型假设在真实数据中是否成立；该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收或获得学术质量评价。
原文摘要
In many complex systems, such as river networks and financial markets, extreme events propagate from causes to their effects, and the largest observations carry the most information about the underlying causal structure. Existing methods for causal discovery in extremes, however, are tailored to specific mechanisms, such as linear or max-linear models. This work develops causal discovery for heavy-tailed homogeneous structural causal models, a flexible class that contains linear, max-linear and norm-type mechanisms, which may differ from node to node. In these models, the causal structure is encoded by ancestral impulse responses, which measure how a shock at one node is transmitted to its descendants. We propose the extremal minimum ratio estimator of these responses, which uses only observations in which the potential cause is extreme. The estimator is consistent under regular variation alone, and we derive its exact rates of convergence and limiting distributions, which depend on both the causal relation and the type of mechanism. Building on these rates, we construct consistent estimators of the causal order and of the full set of ancestral relations, using a threshold that adapts to the data and requires no knowledge of the tail index. The method is illustrated on simulated data and on river discharges in the upper Danube basin.