Jointly Interventional and Observational Data: Estimation of Interventional Markov Equivalence Classes of Directed Acyclic Graphs
联合观测与干预数据估计有向无环图的干预马尔可夫等价类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。
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：摘要明确联合随机干预与观测数据识别因果图，并讨论因果效应界的收紧。
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
联合观测与干预数据估计有向无环图的干预马尔可夫等价类
- 研究问题
- 同时拥有观测数据和随机干预数据时，如何联合估计因果图的干预马尔可夫等价类，并利用干预信息改善因果效应的识别范围？
- 方法与思路
- 作者建立联合高斯似然，以有向无环图、边权及误差方差为全局参数进行极大似然估计，并使用 BIC 选择干预等价类。
- 材料陈述的贡献
- 摘要称证明 BIC 估计干预等价类的一致性；干预信息缩小相对观测数据的等价类，并对收紧因果效应界具有直接意义。
- 阅读关注点
- 应核对干预的定义与已知信息、共享全局参数的条件、BIC 一致性的渐近框架，以及等价类缩小如何转化为因果效应界。
- 阅读边界
- 仅据所给 Crossref 摘要；高斯模型与干预的完整假设未说明，每次干预仅有少量观测的表述不等于总样本极少时也有一致性保证。
原文摘要
Summary In many applications we have both observational and (randomized) interventional data. We propose a Gaussian likelihood framework for joint modelling of such different data types, based on global parameters consisting of a directed acyclic graph and corresponding edge weights and error variances. Thanks to the global nature of the parameters, maximum likelihood estimation is reasonable with only one or few data points per intervention. We prove consistency of the Bayesian information criterion for estimating the interventional Markov equivalence class of directed acyclic graphs which is smaller than the observational analogue owing to increased partial identifiability from interventional data. Such an improvement in identifiability has immediate implications for tighter bounds for inferring causal effects. Besides methodology and theoretical derivations, we present empirical results from real and simulated data.