Canonical Representations of Markovian Structural Causal Models: A Framework for Counterfactual Reasoning
马尔可夫结构因果模型的规范表示：反事实推理框架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：摘要直接研究结构因果模型、干预分布与反事实假设的表示，属于因果推断的方法问题。
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
马尔可夫结构因果模型的规范表示：反事实推理框架
- 研究问题
- 在给定因果图与干预知识的情况下，如何表示不同反事实信念，并区分可检验约束与不可证伪的反事实选择？
- 方法与思路
- 作者在马尔可夫因果框架中，以具有预设边际分布的随机过程构造反事实模型，并用规范化程序分离反事实与干预约束。
- 材料陈述的贡献
- 摘要称该表示刻画结构因果模型的反事实等价类，允许保留干预知识时选择多种反事实假设，无需在个体反事实层额外估计。
- 阅读关注点
- 应核对规范表示与结构因果模型的对应关系、等价类的定义，以及规范化如何保持干预分布并区分反事实假设。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未经核实；表示反事实信念不等于识别其真实性，具体构造条件摘要未说明。
原文摘要
Counterfactual reasoning aims at answering contrary-to-fact questions like ``Would have Alice recovered had she taken aspirin?'' and corresponds to the most fine-grained layer of causation. Critically, while many counterfactual statements cannot be falsified-even by randomized experiments-they underpin fundamental concepts like individual-wise fairness. Therefore, providing models to formalize and implement counterfactual beliefs remains a fundamental scientific problem. In the Markovian setting of Pearl's causal framework, we propose an alternative approach to structural causal models to represent counterfactuals compatible with a given causal graphical model. More precisely, we introduce counterfactual models, also called canonical representations of structural causal models. They enable analysts to choose a counterfactual assumption via random-process probability distributions with preassigned marginals and characterize the counterfactual equivalence class of structural causal models. Using these representations, we present a normalization procedure to disentangle the (arbitrary and unfalsifiable) counterfactual choice from the (typically testable) interventional constraints. In contrast to structural causal models, this allows to implement many counterfactual assumptions while preserving interventional knowledge, and does not require any estimation step at the individual-counterfactual layer: only to make a choice. Finally, we illustrate the specific role of counterfactuals in causality and the benefits of our approach on theoretical and numerical examples.