BCDAG: An R package for Bayesian structure and Causal learning of Gaussian DAGs
BCDAG：高斯有向无环图的贝叶斯结构与因果学习R包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：摘要明确介绍高斯观测数据的因果发现及因果效应估计软件。
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…
BCDAG：高斯有向无环图的贝叶斯结构与因果学习R包
- 研究问题
- 如何从高斯观测数据进行贝叶斯因果结构学习与效应估计，并为图结构后验提供可计算的诊断、展示和汇总工具？
- 方法与思路
- BCDAG实现已有的MCMC方案，对高斯有向无环图开展后验推断，并提供收敛诊断、可视化及后验总结功能。
- 材料陈述的贡献
- 摘要称，软件随观测数量具有良好扩展性，在图足够稀疏时也可扩展至更多变量，并通过真实和模拟数据介绍功能。
- 阅读关注点
- 应核对观测数据下图结构和因果效应的识别边界、先验与MCMC设置，以及稀疏性要求和计算扩展性的证据。
- 阅读边界
- 这是arXiv预印本，同行评审及接收未核验。摘要未说明识别条件或计算基准，提供后验结果不意味着因果图唯一可识别。
原文摘要
Directed Acyclic Graphs (DAGs) provide a powerful framework to model causal relationships among variables in multivariate settings; in addition, through the do-calculus theory, they allow for the identification and estimation of causal effects between variables also from pure observational data. In this setting, the process of inferring the DAG structure from the data is referred to as causal structure learning or causal discovery. We introduce BCDAG, an R package for Bayesian causal discovery and causal effect estimation from Gaussian observational data, implementing the Markov chain Monte Carlo (MCMC) scheme proposed by Castelletti & Mascaro (2021). Our implementation scales efficiently with the number of observations and, whenever the DAGs are sufficiently sparse, with the number of variables in the dataset. The package also provides functions for convergence diagnostics and for visualizing and summarizing posterior inference. In this paper, we present the key features of the underlying methodology along with its implementation in BCDAG. We then illustrate the main functions and algorithms on both real and simulated datasets.