Statistical Inference for Causal Discovery under Selection and Latent Variables via Single-Target Interventions
潜变量与选择偏差下基于单目标干预的因果发现推断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：摘要直接研究潜在混杂、选择偏差及干预数据下的因果结构识别和统计推断，因此归入因果推断。
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
潜变量与选择偏差下基于单目标干预的因果发现推断
- 研究问题
- 存在潜在混杂与选择偏差时，怎样利用单目标干预识别观测系统变量之间的因果结构，并以较少检验提供图结构的不确定性控制？
- 方法与思路
- 作者引入系统诱导子图，通过最大祖先图建立识别结果，再构造两阶段图推断程序，允许软干预并避免参数化结构方程假设。
- 材料陈述的贡献
- 摘要称逐个干预观测变量足以唯一识别且最坏情形必要；程序至多使用约二点五倍变量数平方次检验，并具有条件性的渐近族错误率控制。
- 阅读关注点
- 应核对系统与背景变量的划分、软干预条件、识别结果的图论前提，以及第一阶段检验功效如何影响后续族错误率控制。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未展开识别及检验条件，错误率保证依赖第一阶段充分功效，不能解读为无条件有限样本保证。
原文摘要
Causal discovery from observational and interventional data becomes challenging in the presence of latent confounding and selection bias, where causal structure is no longer adequately represented by directed acyclic graphs over observed variables. Existing model-free methods often rely on an exponential number of conditional independence tests and provide limited uncertainty quantification in high-dimensional settings. We develop a model-free and constraint-query optimal statistical inference framework for causal discovery under latent variables and selection using single-target interventions. We introduce the system-induced subgraph (SIS) to capture the causal relations among system variables while accounting for context variables. We establish its identifiability through maximal ancestral graphs (MAGs), and show that interventions on each observed system variable are sufficient for unique identification and necessary in the worst case. Building on these results, we develop a two-stage graph inference procedure with asymptotic family-wise error control under sufficient first-stage power. For $d_X$ observed system variables, the procedure requires at most $\frac{5}{2}d_X^2$ statistical tests, parallelizable within each stage, and achieves optimal constraint-query complexity up to a constant factor. The framework accommodates soft interventions and avoids parametric structural equation assumptions. We illustrate the methods through analysis of Perturb-seq data from interferon-$β$-stimulated A549 lung cancer cell lines.