基于高阶累积量的 lvLiNGAM 中的因果效应识别
机器学习
2025-06-09 v2 机器学习
统计方法学
摘要
本文研究了使用高阶累积量进行潜在变量线性非高斯无环模型 (lvLiNGAM) 中因果效应识别的问题,这两种在潜在混杂存在下具有挑战性的设置: (1) 单个可能因果影响处理变量的代理变量; (2) 仪器变量未指定的情况下,其中仪器变量的数量少于处理变量。我们证明了在单个代理变量或仪器变量下因果效应是可识别的,并提供相应的估计方法。实验结果表明,我们的方法在准确性和鲁棒性方面优于现有方法,推进了关于线性系统中含潜在混杂因果推断的理论和实践理解。
引用
@article{arxiv.2506.05202,
title = {Causal Effect Identification in lvLiNGAM from Higher-Order Cumulants},
author = {Daniele Tramontano and Yaroslav Kivva and Saber Salehkaleybar and Mathias Drton and Negar Kiyavash},
journal= {arXiv preprint arXiv:2506.05202},
year = {2025}
}
备注
Accepted at ICML 2025