On the Identifiability of Mixed Ordinal and Exponential Family Causal DAGs under Linear Parametric Models
线性参数模型中混合有序与指数族因果图的可识别性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：摘要明确研究因果 DAG 的边方向识别，以及联合分布相较条件独立信息提供的额外识别能力。
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
线性参数模型中混合有序与指数族因果图的可识别性
- 研究问题
- 当因果图节点分别服从有序 logit 或单参数指数族模型时，能否仅凭联合分布确定混合类型节点之间的边方向？
- 方法与思路
- 作者在指定线性参数模型中分析混合边的方向识别，考察有序类别数和指数族支持点条件，并用反向结果与数值实验说明边界。
- 材料陈述的贡献
- 摘要称在有序节点至少三类、指数族节点至少三个支持点时，混合边方向可识别，并刻画不同统计量和连接函数下的必要性。
- 阅读关注点
- 核对线性参数模型及连接函数的定义，区分充分条件和带限定的必要条件，并检查给定无向骨架时能识别哪些边。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核验；结果针对特定参数模型与混合边，不能据此声称任意混合数据的完整图可识别。
原文摘要
The problem of identifiability in linear parametric models (LPMs) whose nodes follow either an ordered logit model or a regular one-parameter exponential family is evaluated. The results go beyond classical structural equation models as well as results for nodes with observations from a homogeneous family of distributions. The main result establishes that the orientation of every edge joining an ordinal node to an exponential-family node is identifiable from the joint distribution alone at every parameter value, provided the ordinal node has at least three categories and the exponential-family node at least three points of support, with no restriction on the sufficient statistic. Converses show that both requirements are necessary: the three-category requirement is binding only for affine sufficient statistics, and the three-point requirement is binding under the canonical link. The guarantee extends to orienting every such mixed ordinal-exponential family edge of a given $d$-node undirected skeleton. Numerical experiments illustrate the theoretical results by successfully separating orientations within a Markov equivalence class, which are indistinguishable by conditional independence alone.