In many areas of science, understanding dependencies in data and identifying cause-and-effect relationships is essential. Linear causal models are a powerful approach for this. In these models, random variables are expressed as linear functions of parent variables and error terms. In most cases, normally distributed error terms are considered. In this paper, however, we consider models whose error terms are not normally distributed and which are distorted by the influence of general confounding variables. The structural equations are represented using acyclic-directed mixed graphs (ADMGs). This representation provides a graphical criterion for determining the generic identifiability of such models. In practice, this criterion can be implemented in different ways, such as replacing the dependency measure with appropriate, consistent estimates. We implement this criterion in Python and form an optimization problem whose solution reconstructs the causal parameters in the best possible way under the given conditions. The performance of this estimation method is evaluated by simulations, demonstrating its robustness and applicability.     «

In many areas of science, understanding dependencies in data and identifying cause-and-effect relationships is essential. Linear causal models are a powerful approach for this. In these models, random variables are expressed as linear functions of parent variables and error terms. In most cases, normally distributed error terms are considered. In this paper, however, we consider models whose error terms are not normally distributed and which are distorted by the influence of general confounding...     »

In vielen Bereichen der Wissenschaft ist das Verständnis von Abhängigkeiten in Daten und die Ermittlung von Ursache-Wirkungs-Beziehungen von wesentlicher Bedeutung. Lineare kausale Modelle sind hierfür ein leistungsfähiger Ansatz. In diesen Modellen werden Zufallsvariablen als lineare Funktionen von Elternvariablen und Fehlertermen ausgedrückt. In den meisten Fällen werden Fehlerterme betrachtet, die normalverteilt sind. In dieser Arbeit betrachten wir jedoch Modelle, deren Fehlerterme nicht normalverteilt sind und die durch den Einfluss allgemeiner Störvariablen verzerrt werden. Die Strukturgleichungen werden mithilfe von azyklischen gerichteten gemischten Graphen (ADMGs) dargestellt. Durch diese Darstellung wird ein grafisches Kriterium zur Bestimmung der generischen Identifizierbarkeit solcher Modelle vorgestellt. Dieses Kriterium kann in der Praxis auf unterschiedliche Weise umgesetzt werden, indem wir das Abhängigkeitsmaß durch verschiedene geeignete konsistente Schätzungen ersetzen. Wir implementieren dieses Kriterium in Python und stellen ein Optimierungsproblem auf, dessen Lösung die kausalen Parameter unter den gegebenen Bedingungen bestmöglich rekonstruiert. Die Performance dieser Schätzmethode wird durch Simulationen bewertet, wobei die Robustheit und Anwendbarkeit der Methode aufgezeigt werden.     «

In vielen Bereichen der Wissenschaft ist das Verständnis von Abhängigkeiten in Daten und die Ermittlung von Ursache-Wirkungs-Beziehungen von wesentlicher Bedeutung. Lineare kausale Modelle sind hierfür ein leistungsfähiger Ansatz. In diesen Modellen werden Zufallsvariablen als lineare Funktionen von Elternvariablen und Fehlertermen ausgedrückt. In den meisten Fällen werden Fehlerterme betrachtet, die normalverteilt sind. In dieser Arbeit betrachten wir jedoch Modelle, deren Fehlerterme nicht nor...     »