摘要
贝叶斯因果发现因其能够通过后验推断量化有向无环图（DAGs）上的认知不确定性而广泛应用。然而，在潜在混淆的情况下，其行为仍然缺乏深入理解，现有研究通常指出混淆会破坏可识别性，但未能具体描述后验分布如何响应。
在本研究中，我们分析了线性高斯因果模型中潜在混淆下的后验行为，重点关注两个观测变量之间的加性潜在混淆。我们推导出一个关键的相关性阈值，超过该阈值后，评分函数偏向于在混淆变量之间建立虚假边缘，并表明该阈值随着样本量的增加而降低——更多的数据降低了偏向虚假边缘所需的相关性。
在此阈值之上，我们描述了由混淆变量周围的局部结构决定的两种不同的后验失败机制。我们的发现通过对多种图结构的精确后验计算得到了支持，验证了预测的失败机制。
博主点评： 本文深入探讨了贝叶斯因果发现中的潜在混淆问题，揭示了数据量与虚假边缘偏向之间的关系，为因果推断提供了新视角，具有重要的理论与实践意义。研究结果不仅丰富了因果推断的理论基础，还为未来的实证研究提供了指导。