Este estudo analisa como a inferência posterior na descoberta causal bayesiana se comporta quando há confusão latente presente em modelos gaussianos lineares, focando especificamente na confusão aditiva entre duas variáveis observadas.
- Os autores derivam um limiar de correlação crítico acima do qual a função de pontuação favorece grafos contendo uma aresta espúria entre as variáveis confundidas.
- Este limiar diminui à medida que o tamanho da amostra aumenta, significando que mais dados reduzem a correlação necessária para que a aresta espúria seja favorecida.
- Além deste limiar, o posterior exibe dois regimes de falha distintos determinados pela estrutura local ao redor das variáveis confundidas.
- Essas descobertas são apoiadas por cálculos exatos do posterior em múltiplas estruturas de grafos, confirmando os regimes de falha previstos.