.png){kind=icon}
返回
Causal additive models with smooth backfitting
.png){kind=icon}
PRE
AI
DOI：10.1515/jci-2024-0035.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
提出了一种完全非参数的方法，用于从观测数据中学习因果结构。该方法在加性结构方程模型的设定下进行描述，并与因果推断相关联。加性结构方程函数的估计过程基于平滑迭代拟合（SBF）方法的一种新颖应用。非参数方法的可塑性使得变量顺序估计具有优良的理论性质。研究表明，在温和条件下，顺序估计是一致的。通过模拟实验证明，本方法优于当前因果学习的先进方法。特别是，当噪声为异方差时，SBF方法表现出稳健性。
Keyword:
smooth backfitting
causal discovery
additive models
nonparametric inference
structural equation models
期刊
J
IF:
1.8
论文数:
18
被引数:
0
机构
引用论文
FOUNDATIONS OF STRUCTURAL CAUSAL MODELS WITH CYCLES AND LATENT VARIABLES.png)
ANNALS OF STATISTICS
OAAI
ANNALS OF STATISTICSIF3.7
OAAI分享收藏CAM: CAUSAL ADDITIVE MODELS, HIGH-DIMENSIONAL ORDER SEARCH AND PENALIZED REGRESSIONANNALS OF STATISTICS
OAAI
ANNALS OF STATISTICSIF3.7
OAAI分享收藏分享收藏分享收藏LEARNING HIGH-DIMENSIONAL DIRECTED ACYCLIC GRAPHS WITH LATENT AND SELECTION VARIABLES学习具有潜在变量和选择变量的高维有向无环图ANNALS OF STATISTICSOAAI
ANNALS OF STATISTICSIF3.7
OAAI分享收藏
查看更多内容