Algorismes de descobriment causal (PC, FCI, LiNGAM)
El descobriment causal és una família d'algorismes que aprenen automàticament un graf acíclic dirigit (DAG) que descriu l'estructura causal directament a partir de dades observacionals. Els algorismes basats en restriccions PC i FCI van ser desenvolupats per Spirtes, Glymour i Scheines (2000), mentre que el model LiNGAM de Shimizu et al. (2006) explota l'estructura lineal no gaussiana per orientar els nodes.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- 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 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 1). Causal Discovery Algorithms (PC, FCI, LiNGAM). ScholarGate. https://scholargate.app/ca/causal-inference/causal-discovery
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.
- La identificació causal amb grafs acíclics dirigits (do-càlcul)Inferència causal↔ compare
- Diferència en Diferències (Diff-in-Diff)Econometria↔ compare
- Mètode de Variables Instrumentals (IV) per a la Inferència CausalEconomia de la salut↔ compare
- Regressió per Mínims Quadrats Ordinàris (MQO)Econometria↔ compare
- Emparellament per puntuació de propensióEstadística per a la recerca↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →