Algoritmos de descubrimiento causal (PC, FCI, LiNGAM)
El descubrimiento causal es una familia de algoritmos que aprenden automáticamente un grafo acíclico dirigido (DAG) que describe la estructura causal directamente a partir de datos observacionales. Los algoritmos basados en restricciones PC y FCI fueron desarrollados por Spirtes, Glymour y Scheines (2000), mientras que el modelo LiNGAM de Shimizu et al. (2006) explota la estructura lineal no gaussiana para orientar las aristas.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 1). Causal Discovery Algorithms (PC, FCI, LiNGAM). ScholarGate. https://scholargate.app/es/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 identificación causal con grafos acíclicos dirigidos (cálculo-do)Inferencia causal↔ compare
- Diferencia en Diferencias (Diff-in-Diff)Econometría↔ compare
- Método de Variables Instrumentales (VI) para Inferencia CausalEconomía de la salud↔ compare
- Regresión por Mínimos Cuadrados Ordinarios (MCO)Econometría↔ compare
- Emparejamiento por Puntuación de PropensiónEstadística para la investigación↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →