Causal discovery under mean independence and linearity
均值独立与线性条件下的因果发现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：摘要核心是放宽扰动独立假设后的因果结构识别与因果发现算法。
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…
均值独立与线性条件下的因果发现
- 研究问题
- 当扰动项因共同波动或尺度因素而相互依赖时，能否用弱于完全独立的均值独立限制，从观测资料恢复线性因果顺序？
- 方法与思路
- 作者提出线性均值独立无环模型，利用限制的有限阶推论识别源节点，并构造基于逐步残差的 DirectLiMIAM 算法。
- 材料陈述的贡献
- 摘要称，源节点具有泛型可识别性，可递归恢复相容顺序；在均值独立但相依的模拟扰动下，算法优于所比较的 LiNGAM 方法。
- 阅读关注点
- 应核对单边均值独立的方向、有限阶条件与泛型识别的例外集合，以及油市应用如何验证限制并解释恢复的因果顺序。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未列出完整识别条件，应用中的合理排序不能单凭摘要视为因果关系已验证。
原文摘要
Causal discovery methods such as LiNGAM identify causal structure from observational data by assuming mutually independent disturbances. This assumption is fragile: shared volatility, common scale effects, or other forms of dependence can cause the methods to recover the wrong causal order, even with infinite data. We introduce the Linear Mean-Independent Acyclic Model (LiMIAM), which replaces full independence with weaker one-sided mean-independence restrictions on the disturbances. Under finite-order consequences of these restrictions, source nodes are generically identifiable, and hence a compatible causal order can be recovered recursively. Our proof is constructive and leads to DirectLiMIAM, a sequential residual-based algorithm for causal discovery under dependent noise. In simulations with mean-independent but dependent disturbances, DirectLiMIAM outperforms LiNGAM methods. A large-scale empirical application to the oil market highlights the implausibility of the independence assumption and the ability of DirectLiMIAM to recover a realistic causal ordering, from policy to production and from prices to inflation.