查看“WikiEdge:ArXiv速递/2025-03-19”的源代码

== 摘要 ==
* '''原文标题'''：An extensive simulation study evaluating the interaction of resampling techniques across multiple causal discovery contexts
* '''中文标题'''：一项广泛的模拟研究评估重采样技术在多种因果发现情境中的交互作用
* '''发布日期'''：2025-03-19 17:18:18+00:00
* '''作者'''：Ritwick Banerjee, Bryan Andrews, Erich Kummerfeld
* '''分类'''：stat.ME, cs.AI
*'''原文链接'''：http://arxiv.org/abs/2503.15436v1
'''中文摘要'''：尽管[[探索性因果分析]]在现代[[科学]]和[[医学]]中的存在加速增长，但用于验证[[因果模型]]的可用非实验方法尚未得到很好的表征。最流行的方法之一是在对[[数据]]进行[[重采样]]后评估[[模型特征]]的稳定性，类似于[[统计学]]中用于估计[[置信区间]]的重采样方法。然而，这种方法的许多方面几乎没有受到关注，例如重采样方法的选择是否应取决于[[样本大小]]、使用的[[算法]]或[[算法调优参数]]。我们提出了理论结果，证明某些重采样方法能够很好地模拟为算法调优参数分配特定值的过程。我们还报告了大量[[模拟实验]]的结果，这些结果验证了理论结果，并提供了大量数据，以帮助研究人员进一步表征[[因果发现分析]]中的重采样。理论工作和模拟结果共同提供了关于在实践中应如何选择重采样方法和调优参数的具体指导。