Algorithmen zur kausalen Entdeckung (PC, FCI, LiNGAM)
Kausale Entdeckung ist eine Familie von Algorithmen, die direkt aus Beobachtungsdaten einen gerichteten azyklischen Graphen (DAG) lernen, der die kausale Struktur beschreibt. Die auf Einschränkungen basierenden Algorithmen PC und FCI wurden von Spirtes, Glymour und Scheines (2000) entwickelt, während das LiNGAM-Modell von Shimizu et al. (2006) lineare nicht-gaußsche Strukturen nutzt, um Kanten zu orientieren.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Methodenkarte
Die Nachbarschaft verwandter Methoden — wählen Sie einen Knoten, um sie zu erkunden.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 1). Causal Discovery Algorithms (PC, FCI, LiNGAM). ScholarGate. https://scholargate.app/de/causal-inference/causal-discovery
Welche Methode?
Stellen Sie diese Methode neben ihre nächsten Verwandten und lesen Sie sie nebeneinander — die Bibliothek legt die Bücher auf den Tisch; die Wahl liegt bei Ihnen.
- Kausale Identifikation mit gerichteten azyklischen Graphen (do-calculus)Kausale Inferenz↔ vergleichen
- Differenz-in-Differenzen (DiD)Ökonometrie↔ vergleichen
- Instrumentalvariablen-Methode (IV) zur KausalinferenzGesundheitsökonomie↔ vergleichen
- Methode der kleinsten Quadrate (OLS)Ökonometrie↔ vergleichen
- Propensity Score MatchingForschungsstatistik↔ vergleichen
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →