Kausaalisen rakenteen löytämisen algoritmit (PC, FCI, LiNGAM)
Kausaalisen rakenteen löytäminen on algoritmiperhe, joka oppii automaattisesti suunnatun syklittömän graafin (DAG), joka kuvaa kausaalista rakennetta suoraan havaintoaineistosta. Rajoitepohjaiset PC- ja FCI-algoritmit kehittivät Spirtes, Glymour ja Scheines (2000), kun taas Shimizu ym. (2006) LiNGAM-malli hyödyntää lineaarista ei-Gaussista rakennetta suuntien määrittämiseksi.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 1). Causal Discovery Algorithms (PC, FCI, LiNGAM). ScholarGate. https://scholargate.app/fi/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.
- Kausaalinen identifiointi suunnatuilla syklittömillä graafeilla (do-calculus)Kausaalipäättely↔ compare
- Erojen erot (Diff-in-Diff)Ekonometria↔ compare
- Instrumentaalimuuttujamenetelmä (IV) kausaalisen päättelyn menetelmänäTerveystaloustiede↔ compare
- OLS-regressio (Ordinary Least Squares)Ekonometria↔ compare
- Propensity Score MatchingTutkimuksen tilastomenetelmät↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →