Joint structure learning and causal effect estimation for categorical graphical models
类别变量图模型的联合结构学习与因果效应估计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：摘要以干预分布和 do-calculus 定义因果效应，并联合学习因果图与效应参数。
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…
类别变量图模型的联合结构学习与因果效应估计
- 研究问题
- 对于由类别变量构成的因果图，如何在图结构未知时估计干预效应，并将不同图模型带来的不确定性纳入后验推断？
- 方法与思路
- 作者按有向无环图分解类别分布，设置 Dirichlet 先验，使用可逆跳跃 MCMC 联合采样图与参数并形成效应后验。
- 材料陈述的贡献
- 摘要称方法可对图结构不确定性进行平均，获得因果效应完整后验及模型平均估计，并在模拟中展示较高估计准确性。
- 阅读关注点
- 应核对观测数据能区分哪些图与效应、先验对模型平均的影响，以及采样收敛和模拟比较的识别条件是否一致。
- 阅读边界
- 所据为 arXiv 预印本，同行评审或期刊接收未经核实；摘要未交代完整因果识别限制，效应后验不代表因果关系已获验证。
原文摘要
We consider a a collection of categorical random variables. Of special interest is the causal effect on an outcome variable following an intervention on another variable. Conditionally on a Directed Acyclic Graph (DAG), we assume that the joint law of the random variables can be factorized according to the DAG, where each term is a categorical distribution for the node-variable given a configuration of its parents. The graph is equipped with a causal interpretation through the notion of interventional distribution and the allied "do-calculus". From a modeling perspective, the likelihood is decomposed into a product over nodes and parents of DAG-parameters, on which a suitably specified collection of Dirichlet priors is assigned. The overall joint distribution on the ensemble of DAG-parameters is then constructed using global and local independence. We account for DAG-model uncertainty and propose a reversible jump Markov Chain Monte Carlo (MCMC) algorithm which targets the joint posterior over DAGs and DAG-parameters; from the output we are able to recover a full posterior distribution of any causal effect coefficient of interest, possibly summarized by a Bayesian Model Averaging (BMA) point estimate. We validate our method through extensive simulation studies, wherein comparisons with alternative state-of-the-art procedures reveal an outperformance in terms of estimation accuracy. Finally, we analyze a dataset relative to a study on depression and anxiety in undergraduate students.