Identifizierung totaler kausaler Effekte in linearen Modellen unter partieller Homoskedastizität

Eine grundlegende Herausforderung der wissenschaftlichen Forschung besteht darin, kausale Beziehungen basierend auf beobachteten Daten abzuleiten. Ein häufig verwendeter Ansatz beinhaltet die Nutzung struktureller kausaler Modelle, die rauschbehaftete funktionale Beziehungen zwischen interagierenden Variablen postulieren. Ein gerichteter Graph stellt diese Modelle natürlich dar und reflektiert die zugrunde liegende kausale Struktur. Klassische Identifizierbarkeitsresultate deuten jedoch darauf hin, dass dieser kausale Graph ohne zusätzliche Experimente nur bis zu einer Markov-Äquivalenzklasse von nicht unterscheidbaren Modellen identifiziert werden kann. Neuere Forschungen haben gezeigt, dass die Fokussierung auf lineare Beziehungen mit gleichen Fehlerverteilungen die Identifizierung der kausalen Struktur allein aus Beobachtungsdaten ermöglichen kann. Nichtsdestotrotz sind Praktiker oft hauptsächlich an den Effekten spezifischer Interventionen interessiert, was die vollständige Identifizierung der kausalen Struktur überflüssig macht. In dieser Arbeit untersuchen wir, inwieweit weniger restriktive Annahmen der partiellen Homoskedastizität ausreichen, um die kausalen Effekte von Interesse zu identifizieren. Darüber hinaus konstruieren wir mathematisch rigorose Vertrauensregionen für totale kausale Effekte unter struktureller Unsicherheit und untersuchen den Leistungszuwachs, der sich aus der Abhängigkeit von strengeren Fehlervoraussetzungen in einer Simulationsstudie ergibt.