跳转至

分层结构因果模型的的可扩展与通用识别：重新审视 STAR 项目

文章背景与核心概要

本文针对分层结构因果模型（HSCMs）引入了一个完整、可扩展且开源的管线，弥合了符号识别与实际估计之间的鸿沟。作者在具有里程碑意义的 STAR 项目（1985 年田纳西州关于班级规模与学生成绩的研究）数据集上进行了测试，结果表明标准的“扁平”基线无法正确编码班级层面的干预。此外，该研究强调，仅靠符号识别对于分层因果推断是远远不够的——可扩展的估计和数值稳定性是严谨科学分析的关键组成部分。

执行摘要 / Executive Summary

本文介绍了一个针对分层结构因果模型（HSCMs）的完整、可扩展且开源的管线，成功弥合了符号识别与实际估计之间的差距。通过在具有里程碑意义的 STAR 项目（1985 年田纳西州关于班级规模和学生表现的研究）数据集上进行测试，作者证明了标准的“扁平”基线无法正确编码班级层面的干预措施。此外，该研究强调，仅靠符号识别不足以支持分层因果推断——可扩展的估计和数值稳定性是严谨科学分析的核心组成部分。

Executive Summary

This paper introduces a complete, scalable, open-source pipeline for Hierarchical Structural Causal Models (HSCMs) that bridges symbolic identification and practical estimation. Tested on the landmark Project STAR dataset (a 1985 Tennessee study on class size and student outcomes), the authors demonstrate that standard "flat" baselines fail to properly encode class-level interventions. Furthermore, the work highlights that symbolic identification alone is insufficient for hierarchical causal inference—scalable estimation and numerical stability are critical components of rigorous scientific analysis.

元数据与参考信息 / Metadata & Reference Information

  • arXiv ID: arXiv:2608.24500 [stat.ML]
  • 研究主题: 机器学习 (stat.ML); 人工智能 (cs.AI)
  • 提交日期: 2026年8月25日
  • 作者:
  • Janis Aiad
  • Aghiles Drali
  • Aymen El Ouadrhiri
  • Anass Ettahiri
  • Yasser Oufqir
  • Simon Patry
  • David Cortes
  • Marianne Clausel
  • Emilie Devijver
  • 许可协议: 知识共享署名 4.0 国际版 license icon

Metadata & Reference Information

  • arXiv ID: arXiv:2608.24500 [stat.ML]
  • Subjects: Machine Learning (stat.ML); Artificial Intelligence (cs.AI)
  • Submission Date: August 25, 2026
  • Authors:
  • Janis Aiad
  • Aghiles Drali
  • Aymen El Ouadrhiri
  • Anass Ettahiri
  • Yasser Oufqir
  • Simon Patry
  • David Cortes
  • Marianne Clausel
  • Emilie Devijver
  • License: Creative Commons Attribution 4.0 International license icon

摘要 / Abstract

STAR（学生-教师成就比）实验（1985年，美国田纳西州）是一个具有里程碑意义的分层数据集，旨在评估班级规模对学生成绩的影响，其中的观测数据嵌套在各个班级中。为了在这种分层环境中编码班级层面的干预，我们为分层结构因果模型（HSCM）开发了一个完整、可扩展且开源的管线，弥合了符号识别与实际估计之间的差距。

我们的方法整合了： 1. 图转换， 2. 使用 pyAgrum 的 do-calculus（do算子微积分）进行因果效应的自动识别， 3. 将符号表达式适配为闭式 HSCM 公式，以及 4. 从拟合的局部概率模型进行数值估计。

一项关键创新是我们改进的抽象语法树（AST），它将 pyAgrum 识别出的公式分解为独立的密度、期望和边缘化任务，从而实现并行和可扩展的计算。我们在规范的 HSCM 模体（motifs）和具有已知真实值的基准场景上验证了该管线，然后将其应用于 STAR 幼儿园数学成绩的结果分析中。

结果表明，扁平基线（忽略层级结构）能够恢复关联性，但无法编码班级层面的干预；同时，仅靠符号识别并不足以进行实际的分层结构因果推断；可扩展的估计和数值稳定性检验是科学研究的核心部分。

Abstract

The STAR (Student-Teacher Achievement Ratio) experiment (1985, Tennessee, USA) is a landmark hierarchical dataset designed to assess the impact of class size on student outcomes, with observations nested within classes. To encode class-level interventions in such hierarchical settings, we develop a complete, scalable, open-source pipeline for Hierarchical Structural Causal Models (HSCM) that bridges symbolic identification and practical estimation.

Our approach integrates: 1. Graph transformations, 2. pyAgrum's do-calculus for automatic identification of causal effects, 3. Adaptation of symbolic expressions into closed-form HSCM formulas, and 4. Numerical estimation from fitted local probability models.

A key innovation is our adapted Abstract Syntax Tree (AST), which decomposes pyAgrum's identified formulas into independent density, expectation, and marginalization tasks, enabling parallel and scalable computation. We validate the pipeline on canonical HSCM motifs and benchmark scenarios with known ground truth, then apply it to STAR kindergarten mathematics outcomes.

The results show that flat baselines (ignoring hierarchy) recover associations but fail to encode class-level interventions, and that symbolic identification alone is not enough for practical Hierarchical Structural Causal inference; scalable estimation and numerical stability checks are central parts of the scientific object.

全文与访问链接 / Full-Text & Access Links

Full-Text & Access Links