TSLiNGAM：重尾分布下的 DirectLiNGAM 方法
统计方法学
2023-08-11 v1 机器学习
摘要
因果发现的成熟方法之一是将有向无环图(DAGs)与结构因果模型(SCMs)相结合，以描述效应对其成因的函数依赖关系。给定数据下 SCMs 的可识别性取决于对噪声变量及 SCM 中函数类的假设。例如，在 LiNGAM 模型中，函数类被限制为线性函数，且扰动须为非高斯分布。本文提出 TSLiNGAM，一种基于观测数据识别因果模型 DAG 的新方法。TSLiNGAM 建立在 DirectLiNGAM 之上，后者是一种利用简单 OLS 回归识别变量间因果方向的主流算法。TSLiNGAM 借助 LiNGAM 模型中误差项的非高斯性假设，获得更高效且鲁棒的因果结构估计。TSLiNGAM 在理论上得到论证，并通过大量仿真研究进行了实证分析。其在重尾和偏态数据上表现显著更优，并展现出较高的小样本效率。此外，TSLiNGAM 亦表现出更好的鲁棒性，对数据污染的抵抗力更强。
引用
@article{arxiv.2308.05422,
title = {TSLiNGAM: DirectLiNGAM under heavy tails},
author = {Sarah Leyder and Jakob Raymaekers and Tim Verdonck},
journal= {arXiv preprint arXiv:2308.05422},
year = {2023}
}
备注
35 pages, 10 figures