PC, FCI, LiNGAM algoritmide abil põhinev kausaalsuse avastamine
Kausaalne avastamine on algoritmide perekond, mis õpivad automaatselt vaatlusandmetest otseselt kausaalset struktuuri kirjeldavat suunatud atsüklilist graafi (DAG). Piirangutel põhinevad PC ja FCI algoritmid töötasid välja Spirtes, Glymour ja Scheines (2000), samas kui Shimizu jt (2006) LiNGAM mudel kasutab ära lineaarseid mitteGaussilisi struktuure servade orienteerimiseks.
Loe meetodi täielikku kirjeldust
Selle osa lugemiseks logi sisse tasuta kontoga.
Meetodikaart
Seotud meetodite ümbruskond — vali sõlm, et seda uurida.
Allikad
- 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 ↗
Kuidas sellele lehele viidata
ScholarGate. (2026, June 1). Causal Discovery Algorithms (PC, FCI, LiNGAM). ScholarGate. https://scholargate.app/et/causal-inference/causal-discovery
Milline meetod?
Aseta see meetod oma lähimate sugulaste kõrvale ja loe neid kõrvuti — raamatukogu laob raamatud lauale; valik on sinu.
- Kausalidentifitseerimine suunatud atsükliliste graafide abil (do-arvutus)Põhjuslik järeldamine↔ võrdle
- Erinevused erinevustes (Diff-in-Diff)Ökonomeetria↔ võrdle
- Instrumentaalmuutujate (IV) meetod kausaalse järelduse tegemiseksTerviseökonoomika↔ võrdle
- Tavaline vähimruutude (OLS) regressioonÖkonomeetria↔ võrdle
- Kalduvusskoori sobitamineUurimisstatistika↔ võrdle
Sellele viitavad
Märkasid sellel lehel viga? Teata sellest või paku parandust →