基于非稳态加性噪声模型的因果发现算法

因果发现旨在通过观测数据挖掘变量间的因果关系。现有的因果发现方法大多假定数据的产生过程是平稳的,然而在实际环境下往往不满足稳态假设,导致结果不可靠。研究发现,在一些场景中的非稳态扰动与时序信息高度相关。因此,在加性噪声模型基础上将非稳态扰动刻画为一项关于时序信息的函数,设计非稳态加性噪声模型,并给出非稳态加性噪声模型的识别条件,提出一种两阶段的因果关系学习算法。第1阶段利用回归计算得到变量残差,再检验残差与回归特征集的独立性从而选出叶子节点,迭代得到观测变量集的因果次序;第2阶段再次进行回归计算和独立性检验,消除第1阶段中冗余的因果关系,从而得到观测变量集的因果结构。实验结果表明,与基于约束的异构/非平稳因果发现、LPCMCI和Ti MINo算法相比,该算法在仿真数据集上取得了最优的效果,平均F1值达到0.85;而在真实因果结构数据集中,该算法的F1值平均提升41.12%,能够从非稳态数据集中恢复出更多因果结构的信息。

基于条件独立性检验的非稳态因果发现方法

非稳态时间序列数据之间的因果关系发现是非常重要但极具挑战的问题。现有的工作主要假设观察数据随着时间或领域发生变化。上述假设使得相关方法需要引入时间或领域作为先验知识,无法应用于分段稳态的非稳态场景。因此,提出了一种基于条件独立性检验的非稳态因果关系发现算法。首先使用变化点检测方法来识别非稳态变化的时间点,然后将上一步的时间点进行区间划分,用基于条件独立性检验的时序因果关系发现算法推断局部稳态因果结构。在仿真和真实世界数据上的实验证明了该方法的有效性。

基于类型矩阵转移的汉越事件因果关系识别

针对汉越跨语言新闻事件因果关系识别中,汉越跨语言的文本语义空间难以统一、新闻之间的因果关联特征捕获困难的问题,提出了基于类型矩阵转移的汉越跨语言新闻事件因果关系识别方法。通过跨语言预训练统一汉越跨语言的文本语义空间,使用树形长短期记忆循环神经网络提取汉越文本中的句法结构化特征,融入汉越句法特征并结合基于事件类型转移的注意力机制,对汉越事件句对的因果关系进行识别。实验结果表明,该方法在汉越跨语言新闻事件因果关系的识别上较基线模型准确率有所提升。

基于Partial New Causality的因果脑网络情绪识别

为了研究情绪产生过程中脑区以及通道之间的因果作用,在部分格兰杰与新型因果关系的基础上,提出一种用于研究时间序列之间因果关系的部分新型因果关系(PNC)方法。在不同情绪下选取脑区内的8个通道,用PNC计算脑区内通道之间的因果连接关系,根据连接关系构建因果网络;对因果网络中节点的信息流向和介数属性进行分析,将PNC因果网络和Granger因果网络节点之间的因果连接视为一种特征送入SVM中训练分类。实验结果表明,基于PNC因果网络和Granger因果网络的平均识别精度分别为76.4%和68.5%,PNC可用于计算时间序列之间的因果关系。

基于两样本孟德尔随机化方法分析低密度脂蛋白胆固醇与哮喘的因果关系

目的以单核苷酸多态性(single nucleotide polymorphism,SNP)为工具变量,基于孟德尔随机化(Mendelian randomization,MR)法探究低密度脂蛋白胆固醇(LDL-C)与哮喘的因果关系。方法根据全基因组关联研究(GWAS)的基因数据,借助MR-base平台,获得2020年3月10日至2023年3月10日样本量最大的LDL-C及哮喘的GWAS数据,筛选出与LDL-C相关的SNP(筛选条件设定为P<5×10-8),通过逆方差加权分析法(IVW)、加权中位数法(WME)、加权模型、简单模型和MR-Egger法分析LDL-C与哮喘风险的关系,同时绘制SNP相关的LDL-C与哮喘风险的森林图及散点图。结果筛选出的301个SNP均与哮喘不存在基因多效性(MR-Egger回归截距0.007)。所有的回归结果均显示,LDL-C为哮喘的危险因素,MR-Egger回归OR=1.609(95%CI 1.228~2.107)、WME OR=1.448(95%CI 1.266~1.656)、IVW OR=1.499(95%CI 1.348~1.667)、加权模型OR=1.462(95%CI 1.212~1.763)、简单模型OR=1.374(95%CI 1.024~1.846)。MR-Egger回归结果显示统计量Q=1095.819(P<0.001),提示SNP间存在异质性,故选择随机效应IVW模型。结论LDL-C与哮喘之间存在因果关系,LDL-C水平越高,哮喘发病风险越大。

资本错配研究综述:理论、测度、因果与改善

随着我国经济体制改革的演化和推进,资本配置效率越来越受到学术界和实务界的关注。文章以发表于2012—2022年的198篇“资本错配”议题文献为分析对象,系统梳理资本错配的理论、测度、因果与改善对策等研究成果。结果发现,资本错配研究的主要解释理论包括信号传递理论、信息不对称理论、生命周期理论等;要素价格扭曲程度、要素产出扭曲程度等方法在资本错配测度中应用广泛;政府政策、市场表现及制度实施是造成资本错配的主要原因,资本错配会对宏观经济效率、社会进步、环境污染及企业发展产生影响;现有文献考察了政策实施、市场手段、科技创新等对资本错配的改善效应。文章为资本错配研究的进一步延伸提供借鉴和启示。

因果问题、逻辑与《论道》的形而上学体系

金岳霖在《论道》中建立起自己的形而上学体系。这个体系所运用的方法既有综合也有分析,分析工具主要是现代逻辑方法,这里的现代逻辑主要来自《数学原理》和《符号逻辑概览》。《论道》的形而上学体系的建立,不仅为中国文化中最崇高的概念“道”提出了一个现代形式的形而上学理论,而且为金岳霖自己回答“休谟问题”提供了本体论基础。因此,《论道》不仅强化了中国哲学的逻辑和认识论意识,从而成为宋明理学以来中国哲学发展的高峰,而且具体体现了金岳霖把哲学视为一门普遍的人类学科的态度。

论污染环境罪因果关系司法认定困境及路径探寻——因果关系双层次理论之提倡

近年来,污染环境犯罪呈常态化发展趋势,但污染环境罪因果关系的认定面临诸多困难,导致许多污染环境犯罪并未受到相应的刑事惩罚。以“污染环境罪”和“因果关系”为关键词确定232份刑事一审判决文书为样本并进行多角度实证分析,发现污染环境案件因果关系具有特殊性,在理论供给、认定技术等方面存在诸多认定困境。基于此,笔者提倡因果关系双层次理论,采用疫学因果关系和原因力标准,科学建构污染环境罪因果关系认定路径,并就其关键问题提出可行性对策。

基于因果图分析的可解释司法判决预测方法研究

随着人工智能技术的发展和海量司法数据的公开,面向“智慧司法”服务的司法判决预测(legal judgment prediction,LJP)任务受到了学术界和工业界的广泛关注,该任务旨在根据有限的案件事实描述文本来预测案件的罪名、法条和刑期。然而,现有工作缺乏对易混淆司法案件的智能决策的研究,且相关模型通常缺乏可解释性,这会导致模型预测严重依赖领域专家,阻碍LJP在不同法律体系中的应用。为此,提出了一种基于因果图分析的司法判决预测(prediction of legal judgment based on causal graph analysis,CGLJ)方法,首先从非结构化的法律事实描述文本中挖掘要素之间的因果关系,然后采用易混淆罪名聚类的构图方法构建因果图,既考虑了相似事实描述之间的差异,又增强了事实描述和法律法规之间的相互作用,最后将构建好的因果图融入深度神经网络进行联合推理,得到判决预测结果。此外,还对模型预测过程中的因果图推理过程进行了可视化,为判决结果提供了更好的可解释性。在2018中国“法研杯”司法人工智能挑战赛(CAIL2018)司法判决预测数据集上的实验结果表明,该方法相比基线模型取得了更好的效果。

论环境民事公益诉讼中因果关系要件的证明

当前,环境民事公益诉讼中因果关系要件的证明责任如何分配及其证明标准如何设定,对此理论界和实务界仍有很大争议。在证明责任分配问题上,解决路径在于参照适用《民法典》第一千二百三十条的规定,由被告承担环境民事公益诉讼中因果关系要件的客观证明责任。与此同时,原告需提供能够证明关联性事实的初步证据。这一规则应当理解为因果关系的法律推定。将因果关系法律推定规则引入环境民事公益诉讼中具有合理性基础,如纠正人们对环境侵权因果关系要件“证明责任倒置”的错误认识、防止原告滥用诉权、平衡原被告双方的举证负担。在证明标准问题上,环境民事公益诉讼中因果关系要件的证明标准应因事后救济性环境民事公益诉讼和预防性环境民事公益诉讼的类型划分而有所区别,且受关联性事实认定标准的影响。

空间性、非定域因果性与科学的根基:康德的空间性思想的启示

解决几何化问题是为近现代科学奠基的关键,而空间性问题处在几何化问题的中心。康德物自身的非空间性学说把空间性视为人的经验之内的性质,而非物自身的性质,由此,他需为科学重新奠基。康德通过具有力的实体间的非定域交互作用解释空间性的形成,但他同时通过定域因果性解释自然物体的形成、光通过以太传递外部信息,由此表明物自身是非空间性的。康德证明了基于定域因果性的机械论和微粒论不是解释空间性的正确理论,且为通过拓扑学建立空间性的数学上的可表达性提供了可能。最终,基于非定域因果原理解释光对信息的连续传递,才能解决康德留下的数学应用于自然的难题,并重建科学的根基。

基于时变传染网络和分位数Granger因果检验的系统性风险传染研究

基于18个经济体760家金融机构SRISK系统性风险数据,采用时变参数向量自回归模型和广义方差分解法测度全球系统性风险的时变传染网络,进而采用分位数Granger因果检验考察各经济体对中国高分位段系统性风险的影响。研究结果表明,结合SRISK数据和时变传染网络能有效识别重大风险事件的发生;发达和新兴经济体均会产生风险净输出效应,且会通过直接输出或香港地区间接输出风险至中国内地;在全样本与2008年金融危机、欧债危机、中美贸易战和新冠疫情重大风险事件期间,中国皆为风险净溢入国且新冠疫情期间溢入效应达历史最高;美英两国在重大风险事件期间均对中国高分位段系统性风险产生显著影响,新冠疫情期间中国高分位段系统性风险遭受外部冲击的形势最为严峻。

牙周炎与妊娠期糖尿病因果关系的孟德尔随机化研究

目的采用横断面研究和两样本孟德尔随机化(MR)方法探索牙周疾病与妊娠期糖尿病(GDM)之间的关联。方法选取2018年1月至2022年1月安徽医科大学附属口腔医院和安徽医科大学第一附属医院就诊的105名孕妇为研究对象,根据是否合并GDM分为G1组(GDM孕妇,n=55)和G2组(健康孕妇,n=50)。通过问卷调查获得人口统计学特征等信息,并记录牙周专科检查结果,全基因组关联研究(GWAS)数据集选取与暴露变量显著相关的单核苷酸多态性(SNP)位点作为工具变量。选择的MR分析方法包括逆方差加权法(IVW)、MR Egger回归法、加权中位数法和加权众数法。采用Cochran’s Q检验评估结果的异质性,采用MR-Egger回归检验水平多效性,MR-PRESSO检测多因子残差和异常值的存在。结果二分类logistic回归模型显示,牙龈指数(GI)与GDM患病风险增加有关(OR=2.53,95%CI:1.10~6.17,P=0.034)。IVW结果显示,牙周炎症可能是引发GDM的危险因素(OR=1.13,95%CI:1.01~1.28,P=0.037)。结论牙周炎与GDM存在因果关联,可能是GDM的潜在危险因素。

引入因果关系分析的本科计量经济学教学改革研究

现代计量经济学已经进入一个以因果识别为重要理论方法的新时代。该文分析国内外高校计量经济学教学改革现状和现代计量经济学范式的转变,提出引入因果关系分析的计量经济学课程改革的意义,介绍计量经济学引入因果关系分析的改革内容设计。该文对于提升本科计量经济学教学水平,培养本科计量经济学人才具有意义。

维生素D与妊娠剧吐的因果关联:两样本孟德尔随机化研究

目的:采用两样本孟德尔随机化研究维生素D与妊娠剧吐之间的因果关联。方法:基于IEU OpenGWAS project网站,搜寻样本量最大的维生素D的GWAS数据集以及妊娠剧吐的GWAS数据集。从ieu-b-4808库中选取维生素D强相关的SNPs,设置P<5×10^(-8)且连锁不平衡系数0.001及其区域宽度10000 kb;从finn-b-O15_EXCESS_VOMIT_PREG中选择妊娠剧吐关联SNPs。合并数据集纳入174个SNPs为工具变量。采用随机效应逆方差加权(IVW)、MR-Egger、加权中值、加权模型等4种回归模型分析维生素D与妊娠剧吐之间的关联。结果:MR-Egger回归截距项是0.005,相应P值为0.513,提示SNPs没有基因多效性。IVW回归结果发现OR(95%CI s)是0.478(0.303~0.753),P值为0.001;MR-Egger、加权中值、加权模型结果与IVW结果类似。IVW和MR-Egger回归的Cochran’s Q值分别为143.733(P=0.893)和143.303(P=0.888),提示SNPs间没有异质性。结论:维生素D是妊娠剧吐的保护因素。

稀土资本市场的量化波动——《产业链视角的稀土上市公司股价波动量化因果关系研究》书评

关于稀土的研究在我国尤其常见,关于资本市场、股票市场等金融时间序列波动关系的研究在国内国际也都有大量研究,董志良、高湘昀教授的研究成果——《产业链视角的稀土上市公司股价波动量化因果关系研究》一书,运用了先进的量化因果研究方法,对全球稀土产业链相关上市企业股票波动关系进行了研究。该书于2023年12月由经济科学出版社出版,全书分为九章,共计30余万字.

孟德尔随机化分析血液代谢物与肌少症相关特征的因果关系

背景:临床证据显示代谢因素与肌少症之间存在相关性,血液代谢物已被用于揭示肌肉骨骼疾病的生物学机制,然而血液代谢物与肌少症之间的因果关系尚不明确。目的:运用两样本孟德尔随机化分析方法探讨血液代谢物与肌少症相关特征之间的因果关系,分析其代谢通路。方法:从公共数据库获取486种血液代谢物与肌少症相关特征的数据集。运用逆方差加权、MR-Egger和加权中位数法评估血液代谢物与不同性别肌量、肌力的因果关系,并进行异质性、基因多效性等敏感性分析探讨结果稳健性。运用Metaboanayst 5.0工具对具有潜在因果关系的代谢物进行代谢通路分析。结果与结论:①观察到124种代谢物和肌少症相关特征具有潜在因果关系(P<0.05);②甘露糖、1-花生四烯酸甘油磷酸胆碱与男性肌量增加存在显著因果关系(P<1.03×10^(-4));十五烷酸酯、甘氨酸分别与女性肌量、肌力下降存在显著因果关系(P<1.03×10^(-4));③代谢通路分析显示“乙醛酸和二羧酸代谢”“甘氨酸、丝氨酸和苏氨酸代谢”等8条代谢通路与肌少症的肌量、肌力水平改变相关;④鉴定出的血液代谢物可被视为临床实践中筛查和预防肌少症的有效循环代谢生物标志物,也可作为未来机制探索和药物靶点选择的候选分子。

基于真实世界数据的观察性因果推断研究新框架(目标试验模拟)及其在中医药领域中的应用展望

“目标试验模拟”(target trial emulation)作为一种新的真实世界研究框架在近年来被正式确立,其可用于指导基于真实世界数据开展观察性因果推断研究,继而进行医疗干预有效性和安全性评价。该框架的核心思想是参照随机对照试验的原则,利用真实世界数据模拟相应的随机对照试验,进而得出干预措施与临床结局间因果关联的结论。其主要实施要点可总结为“3⁃7⁃2”,即声明因果问题、制订模拟方案和模拟目标研究3个实施步骤,纳排标准、治疗策略、干预分配、随访期、结局指标、因果比较和分析计划7个设计要素,对永恒时间偏倚和现用药者偏倚2个关键偏倚的控制。本文通过对该框架的历史与现状、实施要点、经典案例、优势与局限性及其在中医药领域中的应用前景进行概述,以期帮助中医药学者开展中医药真实世界研究,并为构建具有中医药特色的临床评价体系提供新思路。

基于孟德尔随机化方法探讨炎症性肠病与骨质疏松性骨折的因果关系

目的:采用两样本孟德尔随机化方法(Mendelian randomization,MR)探讨炎症性肠病与骨质疏松性骨折的因果关系。方法:对全基因关联研究(GWAS)的汇总数据进行分析。炎症性肠病选择克罗恩病与溃疡性结肠炎的样本进行分析,其中克罗恩病、溃疡性结肠炎的GWAS汇总数据来源于欧洲IEU数据库,样本量分别为20883和47745,骨质疏松性骨折的GWAS汇总数据来源于芬兰数据库,样本量为173619。利用与克罗恩病、溃疡性结肠炎密切关联的单核苷酸多态性(SNPs)作为工具变量,分别用逆方差加权(IVW)法、MR-Egger回归法、加权中位数(Weighted Median,WME)法、简单模式(Simple Mode)法和加权模式(Weighted Mode)法行两样本孟德尔随机化分析,以比值比(OR值)评价炎症性肠病对骨质疏松性骨折风险的因果关系。分别采用IVW和MR-Egger法进行Cochran Q异质性检验,用MR_pleiotropy_test函数、MR PRESSO进行多效性检验,MR_leaveoneout_plot函数进行敏感性分析,并计算F值以评估是否存在弱工具变量偏倚。结果:共获得了52个与克罗恩病密切相关的SNPs作为工具变量,IVW结果[OR(95%CI):1.12(1.03-1.22),P=0.006]、WME结果[OR(95%CI):1.15(1.01-1.32),P=0.02]、MR-Egger结果[OR(95%CI):1.16(0.94-1.44),P=0.15]、Simple Mode结果[OR(95%CI):1.15(0.88-1.50),P=0.28]和Weighted Mode结果[OR(95%CI):1.16(0.97-1.39),P=0.10],提示克罗恩病与骨质疏松性骨折存在正向因果关系。共获得了88个与溃疡性结肠炎密切相关的SNPs作为工具变量,IVW结果[OR(95%CI):1.15(1.03-1.28),P=0.009]、MR-Egger结果[OR(95%CI):1.35(1.03-1.75),P=0.02]、WME结果[OR(95%CI):1.18(1.01-1.37),P=0.02]、Simple Mode结果[OR(95%CI):1.15(0.86-1.55),P=0.32]和Weighted Mode结果[OR(95%CI):1.19(0.96-1.47),P=0.10],提示溃疡性结肠炎与骨质疏松性骨折存在正向因果关系。克罗恩病与骨质疏松性骨折的异质性检验结果分别为P=0.55和P=0.52,即不存在异质性;多效性检验结果MR_pleiotropy_test函数提示P=0.69,MR PRESSO法提示P=0.55,即不存在多效性;敏感性分析显示结果稳定。溃疡性结肠炎与骨质疏松性骨折异质性检验结果分别为P=0.23和P=0.25,即不存在异质性;多效性检验结果MR_pleiotropy_test函数提示P=0.20,MR PRESSO法提示P=0.24,即不存在多效性;敏感性分析显示结果稳定。全部F值大于10,提示不存在弱工具变量偏倚。结论:炎症性肠病可能会增加骨质疏松性骨折的风险。

基于因果自回归流模型的因果结构学习算法

因果自回归流模型已经在非独立噪声等场景的因果方向推断问题上取得了一定的进展,但在多个结点的场景下仍存在全局结构搜索带来的准确度低和计算时间复杂度高的问题。面向非时序观察数据设计一种两阶段因果结构学习算法。在第一阶段,基于观测数据的条件独立性,对完全无向图通过条件独立性检验得到基本的因果骨架;在第二阶段,基于因果自回归流模型,通过标准化流的方法计算骨架中每条无向边在不同方向上的边缘似然概率,进而通过比较边缘似然概率进行因果方向推断。实验结果表明:该算法在多组不同参数生成的仿真因果结构数据集上均有较好的表现,与现有的主流因果结构学习算法相比,F1值平均提升15%~28%;在真实因果结构数据集实验中,该算法能够较为完整准确地学习到变量间的因果关系,与主流的因果结构学习算法相比,F1值平均提升28%~48%,具有更强的鲁棒性。