Este estudio analiza cómo se comporta la inferencia posterior en el descubrimiento causal bayesiano cuando hay confusión latente presente en modelos gaussianos lineales, centrándose específicamente en la confusión aditiva entre dos variables observadas.
- Los autores derivan un umbral de correlación crítico por encima del cual la función de puntuación favorece grafos que contienen una arista espuria entre las variables confundidas.
- Este umbral disminuye a medida que aumenta el tamaño de la muestra, lo que significa que más datos reducen la correlación requerida para que se favorezca la arista espuria.
- Más allá de este umbral, el posterior exhibe dos regímenes de fallo distintos determinados por la estructura local alrededor de las variables confundidas.
- Estos hallazgos están respaldados por cálculos exactos del posterior en múltiples estructuras de grafos, confirmando los regímenes de fallo predichos.