×
托马斯·理查森。;罗宾·埃文斯。;詹姆斯·罗宾斯（James M.Robins）。;伊利亚州施皮策

非循环有向混合图的嵌套Markov性质。 （英语） Zbl 07684015号

Ann.统计。 51，编号1，334-361（2023）.
摘要：与有向无环图（DAG）相关的条件独立模型可以用至少三种不同的方式来表征：通过因子分解、全局马尔可夫特性（由d-分离准则给出）和局部马尔可夫性质。DAG模型的边界也暗示了平等约束，而不是条件独立；著名的“Verma约束”就是一个例子。这类约束用于测试边，并通过变量消除在计算效率高的边缘化方案中使用。
我们证明了像“Verma约束”这样的等式约束可以被视为核对象中的条件独立性，这些条件独立性是通过推广条件化和边缘化的固定操作从联合分布中获得的。我们使用这些约束通过有序局部和全局马尔可夫属性以及因子分解来定义与非循环有向混合图（ADMG）关联的图形模型。我们证明了DAG模型的边际分布存在于该模型中，田给出的一组约束提供了该模型的另一种定义。最后，我们表明，用于定义模型的固定操作导致隐变量因果DAG模型中可识别因果效应的特别简单表征。

引用于5文件

MSC公司：

62H22个 概率图形模型
62D20型 观察性研究的因果推断

关键词：

因果推理;有条件的独立性;图形模型;隐藏变量模型

软件：

TETRAD公司
PDF格式BibTeX公司 XML格式引用
\textit{T.S.Richardson}等人，Ann.Stat.51，No.1，334--361（2023；Zbl 07684015）
全文： 内政部 arXiv公司

参考文献：

[1] ALI，R.A.、RICHARDSON，T.S.和SPIRTES，P.（2009）。祖先图的马尔可夫等价。安。统计师。37 2808-2837. ·Zbl 1178.68574号 ·doi:10.1214/08-AOS626
[2] ALLMAN，E.S.、RHODES，J.A.、STANGHELLINI，E.和VALTORTA，M.（2015）。含隐变量离散贝叶斯网络的参数可辨识性。J.因果推理3 189-205. ·doi:10.1515/jci-2014-0021
[3] 贝尔·J·S（1964）。关于爱因斯坦-波多尔斯基-罗森悖论。物理学。物理学。菲兹。1 195-200. ·doi:10.1103/PhysisPhysisiqueFizika.1.195
[4] BHATTACHARYA，R.、NAGARAJAN，T.、MALINSKY，D.和SHPITSER，I.（2021）。未测量混杂下的不同因果发现。在会议记录22第二届国际人工智能与统计会议(AISTATS公司2021).
[5] BONET，B.（2001年）。再次进行仪器测试。在第十七届人工智能不确定性会议记录48-55. 摩根考夫曼出版公司。
[6] CANIGLIA，E.C.，ROBINS，J.M.，CAIN，L.E.等人（2019年）。模拟联合动态策略试验：应用于HIV阳性个体的监测和治疗。统计医学。38 2428-2446·doi:10.1002/sim.8120
[7] CLAUSER，J.F.、HORNE，M.A.、SHIMONY，A.和HOLT，R.A.（1969年）。提出了测试局部隐藏变量理论的实验。物理学。修订稿。23 880. ·Zbl 1371.81014号
[8] CONSTANTINOU，P.（2013）。条件独立性及其在统计因果关系中的应用。剑桥大学纯数学与数理统计系博士论文。
[9] Dawid，A.P.（1979）。统计学理论中的条件独立性。J.罗伊。统计师。Soc.序列号。B类41 1-31. ·Zbl 0408.62004号
[10] DAWID，A.（2002年）。因果建模和推理的影响图。国际统计版次。70 161-189. ·Zbl 1215.6202号
[11] EVANS，R.J.（2012）。边缘化DAG中不等式约束的图解方法。在信号处理的机器学习(MLSP公司).
[12] Evans，R.J.（2016）。贝叶斯网络的边界图。扫描。J.统计。43 625-648. ·Zbl 1468.62300号 ·doi:10.1111/sjos.12194
[13] Evans，R.J.（2018）。离散贝叶斯网络的边界。安。统计师。46 2623-2656. ·Zbl 1408.62044号 ·doi:10.1214/17-AOS1631
[14] EVANS，R.J.和RICHARDSON，T.S.（2010年）。非循环有向混合图对二进制数据的最大似然拟合。在第二十六届人工智能不确定性会议记录26
[15] EVANS，R.J.和RICHARDSON，T.S.（2019年）。具有潜在变量的离散DAG模型的平滑、可识别超模型。伯努利25 848-876. ·Zbl 1431.62230号 ·doi:10.3150/17-bej1005
[16] HUANG，Y.和VALTORTA，M.（2006年）。珀尔对干预的计算是完整的。在第二十二届人工智能不确定性会议217-224.
[17] KéDAGNI，D.和MOURIFI，I.（2020年）。广义工具不等式：检验工具变量独立性假设。生物计量学107 661-675. ·Zbl 1451.62046号 ·doi:10.1093/biomet/asaa003
[18] KREIF，N.、SOFRYGIN，O.、SCHMITTDIEL，J.A.、ADAMS，A.S.、GRANT，R.W.、ZHU，Z.、VAN DER LAAN，M.J.和NEUGEBAUER，R.（2021）。利用非系统协变量监测来扩大适应性治疗策略因果效应的证据范围。生物识别77 329-342. ·Zbl 1520.62252号 ·doi:10.111/生物13271
[19] Lauritzen，S.L.（1996）。图形模型.牛津统计科学系列17.克拉伦登出版社，牛津大学出版社，纽约·Zbl 0907.62001
[20] NAVASCUéS，M.和WOLFE，E.（2020年）。充气技术完全解决了因果相容性问题。J.因果推理8 70-91. ·doi:10.1515/jci-2017-0020
[21] NEUGEBAUER，R.、SCHMITDIEL，J.A.、ADAMS，A.S.、GRANT，R.W.和VAN DER LAAN，M.J.（2017）。在无直接效应假设下，识别动态治疗干预和随机监测干预的联合效应。J.因果推理5货号：20160015·doi:10.1515/jci-2016-0015
[22] Pearl，J.（1988）。智能系统中的概率推理:可信推理网络.表现与推理中的摩根-考夫曼级数Morgan Kaufmann，加利福尼亚州圣马特奥。
[23] PEARL，J.（1995）。关于具有潜在变量和工具变量的因果模型的可测试性。在人工智能中的不确定性(PQ蒙特利尔, 1995) 435-443. Morgan Kaufmann，加利福尼亚州旧金山。
[24] Pearl，J.（2000）。因果关系:模型、推理和推理剑桥大学出版社，剑桥·Zbl 0959.68116号
[25] PEARL，J.和VERMA，T.S.（1991年）。推断因果关系的理论。在知识表示与推理原理(马萨诸塞州剑桥, 1991).摩根考夫曼爵士。代表。原因。441-452. Morgan Kaufmann，加利福尼亚州圣马特奥·Zbl 0765.68177号
[26] PERKOVIĆ，E.、TEXTOR，J.、KALISCH，M.和MAATHUIS，M.H.（2015）。一个完整的广义平差准则。在第三十一届人工智能不确定性会议记录(阿拉伯联合酋长国).
[27] Richardson，T.（2003）。非循环有向混合图的马尔可夫性质。扫描。J.统计。30 145-157. ·Zbl 1035.60005号 ·数字对象标识代码：10.1111/1467-9469.00323
[28] Richardson，T.和Spirtes，P.（2002）。祖先图马尔可夫模型。安。统计师。30 962-1030. ·Zbl 1033.60008号 ·doi:10.1214/aos/1031689015
[29] RICHARDSON，T.S.、EVANS，R.J.、ROBINS，J.M.和SHPITSER，I.（2023年）。补充“非循环有向混合图的嵌套马尔可夫属性”https://doi.org/10.1214/22-AOS2253SUPP网站
[30] 罗宾斯，J.（1986）。持续暴露期死亡率研究中因果推断的新方法——应用于控制健康工人幸存者效应。数学。模型。7 1393-1512. ·Zbl 0614.62136号
[31] 罗宾斯，J.M.（1999）。通过使用结构嵌套模型重新参数化有向非循环图来测试和估计直接影响。在计算、因果关系和发现（C.Glymour和G.Cooper编辑）349-405。加利福尼亚州门罗公园AAAI出版社。
[32] ROBINS，J.M.和WASSERMAN，L.（1997）。通过重新参数化有向非循环图来估计顺序处理的效果。在会议记录13第十届人工智能不确定性会议309-420. Morgan Kaufmann，加利福尼亚州圣马特奥。
[33] SADEGHI，K.和LAURITZEN，S.（2014）。混合图的Markov性质。伯努利20 676-696. ·Zbl 1303.60064号 ·文件编号：10.3150/12-BEJ502
[34] SHPITSER，I.、EVANS，R.J.和RICHARDSON，T.S.（2018年）。非循环线性SEM服从嵌套马尔可夫性质。在第三十四届人工智能不确定性会议论文集(阿拉伯联合酋长国).
[35] SHPITSER，I.和PEARL，J.（2006）。递归半马尔可夫因果模型中联合介入分布的识别。在第二十届全国人工智能会议2 1219-1226. AAAI出版社，华盛顿特区。
[36] SHPITSER，I.和PEARL，J.（2008年）。沉默的独立。在第二十三届人工智能会议记录(AAAI公司2008) 1081-1087. AAAI出版社，华盛顿特区。
[37] SHPITSER，I.、RICHARDSON，T.S.和ROBINS，J.M.（2009）。通过截断测试边。在国际人工智能联合会议21 1957-1963.
[38] SHPITSER，I.、RICHARDSON，T.S.和ROBINS，J.M.（2011）。潜在变量因果模型中计算干预分布的有效算法。27年第十届人工智能不确定性会议(阿拉伯联合酋长国-11） AUAI出版社。
[39] SHPITSER，I.、EVANS，R.J.、RICHARDSON，T.S.和ROBINS，J.（2014）。嵌套马尔可夫模型简介。行为测量学41 3-39.
[40] SPIRTES，P.、GLYMOUR，C.和SCHEINES，R.（1993）。因果、预测和搜索.统计学课堂讲稿81.纽约斯普林格·Zbl 0806.62001 ·doi:10.1007/978-1-4612-2748-9
[41] STROTZ，R.H.和WOLD，H.O.A.（1960）。递归与非递归系统：合成的尝试。计量经济学28 417-427. ·doi:10.307/1907731
[42] STUDENÝ，M.（1992）。条件独立关系没有有限的完全特征。在信息论，统计决策函数和随机过程。的事务处理11第十届布拉格会议B卷377-396. 多德雷赫特·克鲁沃·Zbl 0764.60004号
[43] TIAN，J.和PEARL，J.（2002）。关于具有隐藏变量的因果模型的可测试含义。在UAI程序-02 519-527.
[44] VERMA，T.S.和PEARL，J.（1990年）。因果模型的等价性和综合。洛杉矶加利福尼亚大学计算机科学系R-150技术报告。
[45] WERMUTH，N.（2011年）。具有摘要图结构的概率分布。伯努利17 845-879. ·Zbl 1245.62062号 ·文件编号：10.3150/10-BEJ309
[46] WERMUTH，N.和COX，D.R.（2008）。间接混淆导致的效果失真。生物计量学95 17-33. ·Zbl 1437.62654号 ·doi:10.1093/biomet/asm092
[47] WERMUTH，N.、COX，D.和PEARL，J.（1996）。从一元递归回归导出的多元结构的解释。Ber.公司。斯托克。版本。盖布.,美因茨大学94
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。