存在混淆隐变量时线性非高斯因果模型的估计
人工智能
2007-05-23 v2
摘要
从数据中估计线性因果模型（也称为结构方程模型）是一个长期备受关注的问题。然而，大多数前期工作均明确或隐含地假设数据服从高斯分布，从而限制了模型的可识别性。我们最近的工作（Shimizu 等 2005；Hoyer 等 2006）表明，对于非高斯分布，在无隐变量情况下可完整估计因果模型。在本文中，我们讨论当混淆隐变量存在时的模型估计问题。尽管在这种情况下唯一性不再得到保证，但数据所能拟合的模型最多仅为有限集合。我们发展了用于估计该集合的算法，并描述了数值仿真实验，以确认理论论点并展示方法的实际可行性。本文提供所有仿真的完整 MATLAB 代码。
引用
@article{arxiv.cs/0603038,
title = {Estimation of linear, non-gaussian causal models in the presence of confounding latent variables},
author = {Patrik O. Hoyer and Shohei Shimizu and Antti J. Kerminen},
journal= {arXiv preprint arXiv:cs/0603038},
year = {2007}
}
备注
8 pages, 4 figures, pdflatex