因果模型中因果效应的可识别性研究

对有向非循环图中的因果关系进行探讨,提出了相应的虚拟事实模型,并利用条件独立关系作为辅助信息对一种较为简单的虚拟事实模型的可识别性进行了研究.将可忽略假设推广为可替换性假设,并且得到：在可替换性假设之下,因果效应具有可识别性,即有可能从观察数据直接计算因果效应.     

一个虚拟事实模型中因果效应的Bayes估计

给出了一个虚拟事实模型中因果效应的Bayes估计和经验Bayes估计,提供了三种可替换性假设的先验分布的选择方法,并用实验说明,在不知道取哪个可替换性假设的情况下,经验Bayes估计要优于其他的估计.     

依从者平均因果效应的统计推断

本文主要研究临床试验中出现不依从现象时依从子总体的平均因果效应的统计推断。考虑在实际服药状态是二值变量且有相关性,治疗响应变量连续取值的情形,同时考虑协变量对治疗效果有影响的情况下,给出了治疗效果参数的可识别性及近似条件极大似然估计,且构造了记分检验统计量。对特殊模型进行了模拟,结果表明与理论预期一致。     

Taylor方法在CSTR河流水质模型结构可识别性分析中的应用

参数识别是水质模型应用的重要环节,结构可识别性是水质模型参数可识别性的基础.采用Taylor方法,对单河段CSTR模型的结构可识别性进行了研究.结果表明,以单河段首端水质作为输入,以末端水质作为输出,考虑COD_(Mn)、NH_3-N、NO_3-N和DO四个水质变量,CSTR模型在结构上是可以识别的.     

因果推断的统计方法

探索事物之间的因果关系和因果作用是很多科学研究的重要目的.因果推断的统计方法是利用试验性研究和观察性研究得到的数据,评价变量之间的因果作用和挖掘多个变量之间的因果关系.本文将介绍因果作用和因果关系的形式化定义,以及因果推断的两个主要统计模型:潜在结果模型和因果网络模型.本文将探讨因果作用的可识别性和因果网络的结构学习,综述有关因果推断的若干研究问题和动态.     

含有治愈部分的可加危险模型的估计

最近可加危险(AH)模型被广泛地应用于生存分析数据,模型的协变量可以假设为时间独立或时间相关的.基于混合治愈模型,有界累计危险治愈模型和"不正确"的比例危险模型.本文将上述的可乘危险模型延伸到可加的危险模型,这里的模型可以允许含治愈部分的生存数据的存在."不正确"的AH模型的识别和参数估计也将在本文给出讨论.     

考虑空间效应的贝叶斯分层模型与索赔频率预测

在非寿险索赔频率预测中,使用最为广泛的是广义线性模型.但是,如果观察数据呈现出明显的零膨胀特征,或者包含空间协变量,或者某些协变量之间具有分层结构,则广义线性模型的拟合优度往往欠佳.在零膨胀分布假设下,建立了考虑空间效应的贝叶斯分层模型,并将其应用于索赔频率预测.在模型中,用惩罚样条函数描述连续型协变量的非线性效应,用高斯马尔科夫随机场描述相邻地区在索赔频率上的空间相依性,用随机截距项描述不同地区在索赔频率上的分层关系和差异性.实证研究结果表明,考虑空间效应的贝叶斯分层模型的拟合优度明显优于传统的广义线性模型.     

占座效应的数学建模与统计分析

利用因果图模型及其可识别性理论对占座效应 ,即占座行为对座位使用率的影响进行了建模 .并利用这一模型对实际例子中的占座效应进行了分析 ,最终得出占座行为对实例中座位使用率的影响程度     

借助优势比信息识别不可忽略缺失数据的模型参数

由不可忽略缺失机制引起的缺失数据,常使得模型变得不可识别。对于那些不可识别的模型,可以通过添加协变量和借助其他来源的外部数据来达到识别的目的。本文探讨不可忽略缺失机制下,利用外部获得的优势比估计,来达到识别联合概率的方法。     

测量误差数据下偏正态众数回归模型的参数估计

现有对回归模型的研究大多仅限于直接观测的解释变量,忽略数据的测量误差将增加模型参数的估计偏差.目前关于测量误差模型的研究主要集中在回归误差服从正态分布的假设,这种假设不适用于研究非对称的数据.对于偏斜数据,众数的代表性优于均值和中位数.本文基于测量误差数据介绍了偏正态众数回归模型,并通过EM算法估计了模型的参数.模拟研究的结果表明,协变量带测量误差下的众数回归比均值回归有更好的表现.通过实例分析进一步表明了所提出模型和方法的有效性.     

Identifiability of causal effect for a simple causal model

Counterfactual model is put forward to discuss the causal inference in the directed acyclic graph and its corresponding identifiability is thus studied with the ancillary information based on conditional independence. It is shown that the assumption of ignorability can be expanded to the assumption of replaceability,under which the causal efiects are identifiable.     

Identifiability of intermediate variables on causal paths

We discuss the discovery of causal mechanisms and identifiability of intermediate variables on a causal path. Different from variable selection, we try to distinguish intermediate variables on the causal path from other variables. It is also different from ordinary model selection approaches which do not concern the causal relationships and do not contain unobserved variables. We propose an approach for selecting a causal mechanism depicted by a directed acyclic graph (DAG) with an unobserved variable. We consider several causal networks, and discuss their identifiability by observed data. We show that causal mechanisms of linear structural equation models are not identifiable. Furthermore, we present that causal mechanisms of nonlinear models are identifiable, and we demonstrate the identifiability of causal mechanisms of quadratic equation models. Sensitivity analysis is conducted for the identifiability.     

Gauss因果模型中因果效应识别方法的比较

一个Gauss因果模型中常常存在不只一种识别因果效应的方法, 不同的方法对应的估计可能不同. 该文对Pearl等人提出的前门准则, 后门准则,工具变量准则等识别方法的估计精度进行了分析比较, 并给出了相应的模拟结果, 为实践中选择更优的识别准则提供了依据.     

Identifiability of causal effects on a binary outcome within principal strata

Principal strata are defined by the potential values of a post-treatment variable, and a principal effect is a causal effect within a principal stratum. Identifying the principal effect within every principal stratum is quite challenging. In this paper, we propose an approach for identifying principal effects on a binary outcome via a pre-treatment covariate. We prove the identifiability with single post-treatment intervention under the monotonicity assumption. Furthermore, we discuss the local identifiability with multicomponent intervention. Simulations are performed to evaluate our approach. We also apply it to a real data set from the Improving Mood-Promoting Access to Collaborate Treatment program.     

基于扩展事件图的因果分析方法及在仿真中的应用

通过因果分析对仿真结果作出因果解释是仿真非常重要的一个环节.为了能够支持因果分析,首先提出扩展事件图,以重构仿真中发生的事件以及事件之间的因果关系;然后根据扩展事件图提出若干分析算法,通过对图模型的概率参数的可能性和主要性分析,获取因果知识;最后以一个攻防对抗仿真为例,对以上方法进行了必要的验证.     

Identifiability of Dynamic Systems Represented by Bond Graphs

In this paper, the identifiability of dynamical systems is presented from the perspective of the Bond Graph Methodology. Several classical approaches for identifiability are studied and their applicability to bond graphs is discussed. The Markov Parameter method was selected to determine local identifiability of linear systems and a methodical procedure to obtain Markov Parameters directly from the bond graph is presented which is based on its causal paths. This method can easily be implemented in on a computer and works for bond graphs with derivative causality elements and fields.     

Causal statistical inference in high dimensions

We present a short selective review of causal inference from observational data, with a particular emphasis on the high-dimensional scenario where the number of measured variables may be much larger than sample size. Despite major identifiability problems, making causal inference from observational data very ill-posed, we outline a methodology providing useful bounds for causal effects. Furthermore, we discuss open problems in optimization, non-linear estimation and for assigning statistical measures of uncertainty, and we illustrate the benefits and limitations of high-dimensional causal inference for biological applications.     

中药降脂灵片药效的因果分析

本文对一种新型中药降脂灵片的药效进行因果分析。实验数据样本量小且是混合变量类型,传统的统计方法难以处理,本文采用图模型的方法建立一个链图模型,直观地刻画了该药对反映机体抗氧化能力和血脂水平的4个指标的因果影响。     

基于NEGM(1,1)模型的因果预测方法及应用研究

非等间隔时间序列在工程技术问题中是常见的.研究了一类非等间隔广义时间序列的预测问题,也就是将因果预测模型中的自变量作为广义时间,应用NEGM(1,1)模型将因果预测转化为时间序列预测,并应用空军航材消耗实例进行了模型检验.实践表明本文的方法具有广泛的使用价值.