Causal Discovery via Conditional Independence Testing with Proxy Variables
通过代理变量条件独立检验进行因果发现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：摘要明确研究潜在混杂下使用代理变量进行因果关系检验与因果发现。
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…
通过代理变量条件独立检验进行因果发现
- 研究问题
- 潜在混杂会扭曲条件独立检验时，如何借助代理变量检验连续变量间的因果关系，并减少对类别变量或参数模型的依赖？
- 方法与思路
- 作者提出离散化检验程序，在完备性条件下渐近构造线性方程，并利用因果零假设下可识别的系数向量建立检验统计量。
- 材料陈述的贡献
- 摘要称该程序无需参数约束，给出检验的渐近水平与功效，并使用合成数据和真实数据检验方法的有效性。
- 阅读关注点
- 应核对代理变量要求、完备性的具体含义、因果零假设与线性方程的联系，以及离散化精度如何影响识别和渐近检验。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；非参数设定仍依赖完备性等条件，摘要未说明完整识别假设或功效范围。
原文摘要
Distinguishing causal connections from correlations is important in many scenarios. However, the presence of unobserved variables, such as the latent confounder, can introduce bias in conditional independence testing commonly employed in constraint-based causal discovery for identifying causal relations. To address this issue, existing methods introduced proxy variables to adjust for the bias caused by unobserveness. However, these methods were either limited to categorical variables or relied on strong parametric assumptions for identification. In this paper, we propose a novel hypothesis-testing procedure that can effectively examine the existence of the causal relationship over continuous variables, without any parametric constraint. Our procedure is based on discretization, which under completeness conditions, is able to asymptotically establish a linear equation whose coefficient vector is identifiable under the causal null hypothesis. Based on this, we introduce our test statistic and demonstrate its asymptotic level and power. We validate the effectiveness of our procedure using both synthetic and real-world data.