面向未测量混杂因素的线性非高斯无环模型可微因果发现
统计方法学
2025-01-23 v1
摘要
我们提出一种新颖的得分-based因果发现方法，命名为ABIC LiNGAM，该方法扩展了线性非高斯无环模型（LiNGAM）框架，以解决涉及未测量混杂因素的情景下因果结构估计的挑战。通过引入误差项遵循多元广义正态分布的假设，该方法利用连续优化技术来恢复无环有向混合图（ADMGs），包括因果方向而不仅仅是等价类。我们对因果参数的可识别性提供了理论保证，并通过大量仿真和对真实数据集的应用 demonstrate该方法的有效性。
引用
@article{arxiv.2501.12854,
title = {Differentiable Causal Discovery of Linear Non-Gaussian Acyclic Models Under Unmeasured Confounding},
author = {Yoshimitsu Morinishi and Shohei Shimizu},
journal= {arXiv preprint arXiv:2501.12854},
year = {2025}
}