协变量调整双变量因果发现框架
统计方法学
2025-07-30 v2 统计理论
统计理论
摘要
从观察数据中确定因果方向是科学探究中的一项基本挑战。尤其关注协变量调整后的双变量因果发现问题，即在存在协变量 Z 的情况下，确定 X 与 Y 之间的因果方向。虽然未调整的双变量因果发现已取得显著进展（Hoyer 等，2008；Ni，2022），但尚缺乏处理真实世界双变量关系、这些关系常被协变量调制方法。建基于 Purkayastha 和 Song（2025）中先前工作，我们引入了一种新型非参数框架，用于解决协变量调整后的双变量因果发现问题，并提出了条件非对称系数以追踪因果方向。我们 developed a robust estimation procedure using kernel-based conditional density estimation with cross-fitting，并采用非参数核平滑技术提供严格的不确定性量化，弥补许多现有算法的局限性。作为关键应用，我们展示了该框架如何应用于共谋者检测问题，这是因果结构学习中持久的挑战。仿真研究表明，我们的方法在识别因果结构方面表现优异。我们将方法应用于表观遗传学研究（Perng 等，2019），探讨血压在调节 DNA 甲基化效应方面的作用。总之，我们的工作通过提供一种稳健的推断工具套件，使其能够解剖观察数据中复杂的受调节双变量因果关系。
引用
@article{arxiv.2502.10317,
title = {A Framework for Covariate-Adjusted Bivariate Causal Discovery},
author = {Soumik Purkayastha and Peter X. -K. Song},
journal= {arXiv preprint arXiv:2502.10317},
year = {2025}
}