Algoritmy pro objevování kauzality (PC, FCI, LiNGAM)
Objevování kauzality je rodina algoritmů, které automaticky učí orientovaný acyklický graf (DAG) popisující kauzální strukturu přímo z pozorovacích dat. Algoritmy PC a FCI založené na omezeních vyvinuli Spirtes, Glymour a Scheines (2000), zatímco model LiNGAM od Shimizu et al. (2006) využívá lineární negaussovskou strukturu k orientaci hran.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 1). Causal Discovery Algorithms (PC, FCI, LiNGAM). ScholarGate. https://scholargate.app/cs/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.
- Kauzalní identifikace pomocí orientovaných acyklických grafů (do-calculus)Kauzální inference↔ compare
- Rozdíl v rozdílech (Diff-in-Diff)Ekonometrie↔ compare
- Metoda instrumentálních proměnných (IV) pro kauzální inferenciEkonomika zdravotnictví↔ compare
- Regrese metodou ordinárních nejmenších čtverců (OLS)Ekonometrie↔ compare
- Párování na základě skóre propensityStatistika ve výzkumu↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →