Алгоритми за причинно-следствено откриване (PC, FCI, LiNGAM)
Откриването на причинно-следствени връзки е семейство от алгоритми, които автоматично научават насочен ацикличен граф (DAG), описващ причинно-следствената структура директно от наблюдателни данни. Базираните на ограничения PC и FCI алгоритми са разработени от Spirtes, Glymour и Scheines (2000), докато моделът LiNGAM на Shimizu и др. (2006) използва линейна не-Гаусова структура за ориентиране на ребрата.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Карта на методите
Обкръжението на сродните методи — изберете възел, за да го разгледате.
Източници
- Spirtes, P., Glymour, C., & Scheines, R. (2000). Causation, Prediction, and Search (2nd ed.). MIT Press. ISBN: 978-0262194402
- Shimizu, S., Hoyer, P. O., Hyvärinen, A., & Kerminen, A. (2006). A Linear Non-Gaussian Acyclic Model for Causal Discovery. Journal of Machine Learning Research, 7, 2003-2030. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 1). Causal Discovery Algorithms (PC, FCI, LiNGAM). ScholarGate. https://scholargate.app/bg/causal-inference/causal-discovery
Кой метод?
Поставете този метод до най-близките му сродни методи и ги четете едно до друго — библиотеката полага книгите на масата; изборът е ваш.
- Причинно-следствена идентификация с насочени ациклични графи (do-calculus)Причинно-следствено заключение↔ сравняване
- Метод на разликите в разликите (Difference-in-Differences, DiD)Иконометрия↔ сравняване
- Метод на инструменталните променливи (IV) за причинно-следствен анализИкономика на здравеопазването↔ сравняване
- Метод на най-малките квадрати (МНК)Иконометрия↔ сравняване
- Съгласуване по показател на склонностСтатистика за изследвания↔ сравняване
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →