深度分析
DCNAR：以結構學習作為先驗的時變網路自迴歸動態因果推論
研究警示多數時變因果模型假定已知因果網路，實務罕見。本文提出DCNAR：以神經自迴歸發現稀疏有向結構，將其作為時變網路自迴歸的結構先驗。實驗顯示在未知結構下，DCNAR能產生穩定且可解釋的脈衝反應與反事實軌跡，並在短序列面板資料展示一致行為，對社會科學與政策模擬具實務價值。
因果發現
深度分析
L2C：自局部發現到群集抽象的因果框架 — 在潛在變數存在下的群集層級因果推論
因果發現常受潛在變數與高維度資料限制，局部方法雖快卻缺乏宏觀視角，群集層級方法則多依賴事先分群或因果充分性假設。L2C（Local to Cluster Causal Abstraction）提出自動從微觀因果模式發現群集、以群集約化進行宏觀因果推論的統一流程。
深度分析
預測必要性檢驗：用於非線性時間序列因果發現的實作框架（以 NAVAR 為例）
面對非線性時間序列中神經自回歸模型輸出的解釋困難，本文提出以「預測必要性」取代係數大小來評估因果關係。方法透過系統性刪邊與前視比較，檢驗移除關係是否導致外樣本預測劣化。實證於民主發展面板資料顯示，分數高低與預測必要性可大幅不同，影響因果判讀。