多方法因果证据综合：通过来自观测数据的跨方法收敛证据对候选驱动因素进行排序

从观测数据推断因果关系的实践者通常依赖单一方法，并将其输出视为因果真相。近期工具会为数据集选择一种最优方法，近期的集成方法会将多个因果发现算法聚合为一张图，但很少有工作会跨不同数学传统汇集证据，包括非因果方法。我们提出多方法因果证据综合（MCES），这是一个框架，用于对观测系统中哪些候选驱动因素最可能与一组结果相关以及证据强度如何进行排序。MCES 在观测面板数据上运行横跨八种数学传统的十一种方法，并将其输出汇集为收敛证据得分（CES），即一种线性意见池。CES 量化了不同分析视角下证据的收敛程度：具有不同假设的方法在多大程度上指向同一驱动因素—结果关系。它并不声称在干预主义意义上实现因果识别；它支持的是假设优先级排序，而不是可迁移的因果概率。MCES 首先应用结构—行为分解来移除定义性（代数）关系，然后运行所有方法，将输出归一化到 [0,1]，并进行汇集。我们将 MCES 与方法选择、结构集成、预测集成和文献综合区分开来。使用嵌入真实值的合成数据、Sachs 蛋白信号传导基准、六个 Bayesian-network 结构基准以及另外两个合成领域，我们表明 MCES 会将真实边排在靠前位置（主要场景中 Precision@5 = 1.0，Precision@10 = 0.96），且空关系对达到中等或更高收敛程度的经验比例较低。我们的核心观点并不是该汇集方法胜过每一种单独方法，而是没有任何单一方法在所评估的所有场景中都始终最佳，因此 MCES 提供了一种与方法无关的默认选择。