Causal discovery in heavy-tailed linear structural equation models via scalings
通过尺度参数发现重尾线性结构方程模型中的因果关系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：摘要明确提出线性结构方程模型的因果发现算法；极值应用为河流流量，没有金融风险分类的直接依据。
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
通过尺度参数发现重尾线性结构方程模型中的因果关系
- 研究问题
- 在噪声具有正则变差性质的线性结构方程模型中，能否利用极端观测的尾部结构发现变量间的因果依赖关系？
- 方法与思路
- 作者基于极值角测度的尺度参数构造因果发现方法，将其实现为算法，并通过模拟和河流流量数据检验表现。
- 材料陈述的贡献
- 摘要称建立算法一致性，并与该类模型的一种既有极值方法比较，发现其表现具有竞争力，但未报告具体比较数值。
- 阅读关注点
- 应核对噪声和因果结构限制、尺度参数如何识别方向，以及极端样本选择、参数估计和一致性所需的渐近条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核验。摘要未列出识别条件，也不能将“具有竞争力”理解为普遍优于其他方法。
原文摘要
Causal dependence modelling of multivariate extremes is intended to improve our understanding of the relationships amongst variables associated with rare events. Regular variation provides a standard framework in the study of extremes. This paper concerns the linear structural equation model with regularly varying noise variables. We focus on extreme observations generated from such a model and propose a causal discovery method based on the scaling parameters of its extremal angular measure. We implement the method as an algorithm, establish its consistency and evaluate it by simulation and by application to river discharge datasets. Comparison with the only alternative extremal method for such model reveals its competitive performance.