В данном исследовании анализируется, как работает апостериорный вывод в байесовском каузальном открытии при наличии латентного конфаундинга в линейных гауссовских моделях, с особым акцентом на аддитивный конфаундинг между двумя наблюдаемыми переменными.
- Авторы выводят критический порог корреляции, выше которого функция оценки предпочитает графы, содержащие ложное ребро между конфаундинговыми переменными.
- Этот порог уменьшается с ростом размера выборки, что означает: чем больше данных, тем меньшая корреляция требуется для того, чтобы ложное ребро было предпочтено.
- За этим порогом апостериорное распределение демонстрирует два различных режима сбоя, определяемых локальной структурой вокруг конфаундинговых переменных.
- Эти выводы подтверждаются точными вычислениями апостериорного распределения на нескольких структурах графов, что подтверждает предсказанные режимы сбоев.