পদ্ধতির তুলনা করুন
নির্বাচিত পদ্ধতিগুলো পাশাপাশি পর্যালোচনা করুন; যে সারিগুলোয় পার্থক্য আছে সেগুলো চিহ্নিত করা হয়।
| কার্যকারণ আবিষ্কার অ্যালগরিদম (PC, FCI, LiNGAM)× | নির্দেশিত অ্যাসাইক্লিক গ্রাফ (ডু-ক্যালকুলাস) ব্যবহার করে কার্যকারণ শনাক্তকরণ× | দ্বি-পর্যায় ন্যূনতম বর্গ (IV/2SLS) দ্বারা যন্ত্র চলক× | |
|---|---|---|---|
| ক্ষেত্র | কার্যকারণ অনুমান | কার্যকারণ অনুমান | কার্যকারণ অনুমান |
| পরিবার | Regression model | Regression model | Regression model |
| উদ্ভবের বছর≠ | 2000 | 2009 | 2009 |
| প্রবর্তক≠ | Spirtes, Glymour & Scheines (PC/FCI); Shimizu et al. (LiNGAM) | Judea Pearl | Angrist & Pischke (textbook treatment); Stock & Yogo (weak-instrument theory) |
| ধরন≠ | Causal structure learning | Causal identification framework | Instrumental-variables regression |
| মৌলিক উৎস≠ | Spirtes, P., Glymour, C., & Scheines, R. (2000). Causation, Prediction, and Search (2nd ed.). MIT Press. ISBN: 978-0262194402 | Pearl, J. (2009). Causality: Models, Reasoning, and Inference (2nd ed.). Cambridge University Press. ISBN: 978-0521895606 | Angrist, J. D. & Pischke, J. S. (2009). Mostly Harmless Econometrics: An Empiricist's Companion. Princeton University Press. ISBN: 978-0691120355 |
| অপর নাম≠ | PC algorithm, FCI algorithm, LiNGAM, causal structure learning | do-calculus, backdoor adjustment, Pearl causal identification, DAG ile Nedensel Tanımlama (do-calculus) | instrumental variables, IV estimation, 2SLS, instrumental variable regression |
| সম্পর্কিত | 5 | 5 | 5 |
| সারসংক্ষেপ≠ | Causal discovery is a family of algorithms that automatically learn a directed acyclic graph (DAG) describing causal structure directly from observational data. The constraint-based PC and FCI algorithms were developed by Spirtes, Glymour and Scheines (2000), while the LiNGAM model of Shimizu et al. (2006) exploits linear non-Gaussian structure to orient edges. | DAG causal identification is a framework, developed by Judea Pearl (2009), that encodes causal assumptions as a directed acyclic graph and uses the do-calculus rules to determine whether and how a causal effect can be identified from observational data. It systematically handles confounders, instrumental variables, and backdoor paths. | IV/2SLS is a two-stage estimation method that recovers the causal effect of an endogenous regressor by isolating the part of its variation driven by an external instrument. It is the workhorse identification strategy in modern applied econometrics, developed at length in Angrist and Pischke's Mostly Harmless Econometrics (2009). |
| ScholarGateডেটাসেট ↗ |
|
|
|