Sign Identifiability of Causal Effects in Stationary Stochastic Dynamical Systems
平稳随机动力系统中因果效应符号的可识别性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：摘要直接研究动态系统中因果边符号的识别，同时以连续时间平稳随机过程为模型，因此对应因果推断与时间序列理论。
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…
平稳随机动力系统中因果效应符号的可识别性
- 研究问题
- 在因果结构已知但扩散矩阵未知的连续时间线性平稳随机系统中，观测协方差能否唯一确定某条漂移边的正负方向？
- 方法与思路
- 作者以边符号可识别性替代漂移系数恢复，将边划分为可识别、不可识别和部分可识别，并在一种忠实性条件下推导一般图判据。
- 材料陈述的贡献
- 摘要称，部分可识别是该框架中的真实类别；判据可用于工具变量类结构与循环结构，部分情形还能用观测协方差显式表达目标边符号。
- 阅读关注点
- 应核对扩散矩阵允许的参数范围、三类识别性的精确定义和忠实性条件；还需区分漂移边符号与其他动态因果效应之间的关系。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未列出完整图判据，且研究基于已知结构，不能据此推断未知图或效应大小。
原文摘要
We study identifiability in continuous-time linear stationary stochastic differential equations with a known causal structure. Unlike existing approaches, we relax the assumption of a known diffusion matrix, thereby respecting the model's intrinsic scale invariance. Therefore, rather than recovering drift coefficients themselves, we introduce edge-sign identifiability: for a given causal structure, we ask whether the sign of a given drift entry is uniquely determined across all observational covariance matrices induced by parametrisations compatible with that structure. This leads to a trichotomy of edge-sign identifiability: identifiable, non-identifiable, and partially identifiable. This trichotomy introduces the new notion of partial identifiability to the literature, which we show is a genuine category in our setting. Under a notion of faithfulness, we derive criteria to identify membership of each category for general graphs. Applying our criteria to specific causal structures, both analogous to classical causal settings (e.g., instrumental variables) and novel cyclic settings, we determine their edge-sign identifiability and, in some cases, obtain explicit expressions for the sign of a target edge in terms of the observational covariance matrix.