Причинно-следствена идентификация с насочени ациклични графи (do-calculus)
Причинно-следствената идентификация с НАГ е рамка, разработена от Джудея Пърл (Judea Pearl, 2009), която кодира причинно-следствените допускания като насочен ацикличен граф и използва правилата на do-calculus, за да определи дали и как даден причинно-следствен ефект може да бъде идентифициран от данни от наблюдение. Тя систематично обработва объркващи фактори, инструментални променливи и пътища на "задната врата" (backdoor paths).
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Pearl, J. (2009). Causality: Models, Reasoning, and Inference (2nd ed.). Cambridge University Press. ISBN: 978-0521895606
- Pearl, J., Glymour, M., & Jewell, N. P. (2016). Causal Inference in Statistics: A Primer. Wiley. ISBN: 978-1119186847
Как да цитирате тази страница
ScholarGate. (2026, June 1). Causal Identification with Directed Acyclic Graphs (do-calculus). ScholarGate. https://scholargate.app/bg/causal-inference/dag-identification
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Метод на инструменталните променливи (IV) за причинно-следствен анализИкономика на здравеопазването↔ compare
- Претегляне с обратна вероятност на лечението (IPW / IPTW)Причинно-следствено заключение↔ compare
- Медиационен анализСтатистика↔ compare
- Съгласуване по показател на склонностСтатистика за изследвания↔ compare
- Sensitivity Analysis for Unmeasured ConfoundingПричинно-следствено заключение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →