شناسایی علّی با استفاده از گرافهای جهتدار بدون دور (حساب do)
شناسایی علّی با استفاده از گرافهای جهتدار بدون دور (DAG) یک چارچوب است که توسط جودیا پرل (2009) توسعه یافته است. این چارچوب، مفروضات علّی را به صورت یک گراف جهتدار بدون دور رمزگذاری میکند و از قواعد حساب do برای تعیین اینکه آیا و چگونه میتوان یک اثر علّی را از دادههای مشاهدهای شناسایی کرد، استفاده مینماید. این روش به طور سیستماتیک عوامل مخدوشگر، متغیرهای ابزاری و مسیرهای پشتی را مدیریت میکند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- Pearl, J. (2009). Causality: Models, Reasoning, and Inference (2nd ed.). Cambridge University Press. ISBN: 978-0521895606
- Pearl, J., Glymour, M., & Jewell, N. P. (2016). Causal Inference in Statistics: A Primer. Wiley. ISBN: 978-1119186847
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 1). Causal Identification with Directed Acyclic Graphs (do-calculus). ScholarGate. https://scholargate.app/fa/causal-inference/dag-identification
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.
- روش متغیرهای ابزاری (IV) برای استنتاج علیاقتصاد سلامت↔ compare
- وزندهی احتمال معکوسِ دریافتِ درمان (IPW / IPTW)استنتاج علّی↔ compare
- تحلیل میانجیگریآمار↔ compare
- تطابق امتیاز تمایل (Propensity Score Matching)آمار پژوهش↔ compare
- تحلیل حساسیت برای سوگیری پنهان (کرانهای روزنباوم / مقدار E)استنتاج علّی↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →