bnlearn包的条件独立性检验是否支持非线性相关性计算？

核心结论：bnlearn同时支持线性和非线性相关性的条件独立性检测，具体使用哪种检验由调用函数时手动传入的参数决定，不是包默认固定的，不同检验的实现逻辑如下：

• 仅支持线性关联的检验
  这部分是连续变量场景下的默认配置，基于线性关联、高斯分布的假设开发：
  • 皮尔逊偏相关检验：控制条件集内的所有变量后，计算两个目标变量的线性偏相关系数，再通过t检验判断系数是否显著偏离0，只能识别线性的依赖关系
  • 高斯分布假设下的互信息检验：当数据严格满足多元高斯分布时，互信息值和皮尔逊偏相关系数存在固定的数学换算关系，这一场景下的互信息检验本质和线性偏相关检验效果一致，仅能捕捉线性关联
• 支持非线性关联的检验
  这部分检验不需要依赖线性假设，可以识别不同形式的非线性依赖，需要在调用函数时主动通过test参数指定：
  • 非参数互信息/条件互信息检验：不对变量分布、关联形式做任何前置假设，通过信息熵量化变量间的统计依赖，不管是线性还是任意形式的非线性关联都能被检测到，支持离散变量、连续变量、混合类型变量的场景
  • 离散变量专用的卡方检验、似然比检验：基于列联表的实际频数和独立假设下的期望频数差异判断独立性，本身不涉及线性假设，可以识别离散变量间的非线性关联
  • 基于秩的非参数检验：如斯皮尔曼偏相关检验，用变量的秩次代替原始值计算相关性，可以捕捉单调型的非线性关联，对异常值的鲁棒性也比皮尔逊检验更好
  • 半参数Copula类检验：不需要严格满足高斯分布假设，可以捕捉非高斯分布下的非线性依赖关系

提示：你在做马尔可夫毯检测调用mb()函数，或者做结构学习调用hc()、gs()这类函数的时候，都可以通过test参数传入要使用的检验方法。如果不手动指定，连续变量场景下默认用的是仅支持线性关联的皮尔逊偏相关检验，这时候没法识别非线性相关的节点，很容易漏算马尔可夫毯的成员。实际使用时如果数据存在明显非线性关联，优先选非参数互信息类检验即可，缺点是计算速度比线性检验慢，大样本场景下要预留足够的运行时间。

内容的提问来源于stack exchange，提问作者mangoland