k-三角忠实性假设下非高斯因果效应的均匀一致估计
机器学习
2021-08-03 v2 机器学习
统计方法学
摘要
Kalisch和Bühlmann（2007）表明，对于线性高斯模型，在因果马尔可夫假设、强因果忠实性假设和因果充分性假设下，PC算法是线性高斯模型真实因果有向无环图的马尔可夫等价类的均匀一致估计量；由此可知，对于马尔可夫等价类中可识别的因果效应，也存在因果效应的均匀一致估计量。k-三角忠实性假设是一个严格更弱的假设，它避免了强因果忠实性假设的一些不合理推论，并且也允许（在弱化意义上）对马尔可夫等价类以及可识别的因果效应进行均匀一致估计。然而，这两个假设都局限于线性高斯模型。我们提出了广义k-三角忠实性，它可以应用于任何光滑分布。此外，在广义k-三角忠实性假设下，我们描述了边缘估计算法，该算法在某些情况下提供因果效应的均匀一致估计（否则输出“无法判断”），以及非常保守的SGS算法，该算法（在稍弱的意义上）是真实有向无环图马尔可夫等价类的均匀一致估计量。
引用
@article{arxiv.2107.01333,
title = {A Uniformly Consistent Estimator of non-Gaussian Causal Effects Under the k-Triangle-Faithfulness Assumption},
author = {Shuyan Wang and Peter Spirtes},
journal= {arXiv preprint arXiv:2107.01333},
year = {2021}
}