Single World Intervention Graphs as Distributions: A Framework for Causal Identification
将单世界干预图视为分布：因果识别框架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：摘要直接讨论干预分布、后门与前门识别及因果目标量，明确属于因果推断方法。
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…
关注这篇论文的作者
将单世界干预图视为分布：因果识别框架
- 研究问题
- 如果把单世界干预图直接看作观察分布与干预分布的表示，能否系统推导对选定变量实施干预时的因果目标量识别式？
- 方法与思路
- 作者以分布表示重新解释单世界干预图，推导后门与前门识别表达式，并讨论该视角与潜在结果框架及 do 演算的关系。
- 材料陈述的贡献
- 摘要称该视角提供系统化识别路径：后门推导与既有文献相近，前门推导采用不同路径，并被作者认为更便于扩展至复杂设定。
- 阅读关注点
- 核对图如何同时表示两类分布、识别推导依赖哪些图条件，以及复杂前门设定的实例和相对既有框架的具体差异。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收状态未核验；摘要未展示完整推导或复杂实例，不能据此判断框架的识别范围与一般性。
原文摘要
Causal inference seeks to estimate the effect of an intervention on an outcome using observed data, typically via Rubin's potential-outcome framework or Pearl's do-calculus. Following section 9 of Richardson and Robins (2013), this essay treats single-world intervention graphs (SWIGs) as representations of both the observed-data distribution and the interventional distribution, rather than as a bridge to potential outcomes. We demonstrate that this perspective provides a systematic way to derive identifying expressions for estimands defined by interventions on selected variables. Back-door derivations mirror those in existing literature, while front-door derivations offer a distinct pathway that extends more readily to complex settings. Conceptually, the method is simultaneously related to and distinct from Rubin's framework and Pearl's calculus.