Algorithmes de découverte causale (PC, FCI, LiNGAM)
La découverte causale est une famille d'algorithmes qui apprennent automatiquement un graphe acyclique dirigé (DAG) décrivant la structure causale directement à partir de données observationnelles. Les algorithmes basés sur les contraintes, PC et FCI, ont été développés par Spirtes, Glymour et Scheines (2000), tandis que le modèle LiNGAM de Shimizu et al. (2006) exploite une structure linéaire non gaussienne pour orienter les arêtes.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Carte des méthodes
Le voisinage des méthodes apparentées — sélectionnez un nœud pour explorer.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 1). Causal Discovery Algorithms (PC, FCI, LiNGAM). ScholarGate. https://scholargate.app/fr/causal-inference/causal-discovery
Quelle méthode ?
Placez cette méthode aux côtés de ses plus proches parentes et lisez-les côte à côte — la bibliothèque pose les ouvrages sur la table ; le choix vous revient.
- Identification causale avec les graphes acycliques dirigés (do-calculus)Inférence causale↔ comparer
- Différence-en-différences (Diff-in-Diff)Économétrie↔ comparer
- Méthode des variables instrumentales (VI) pour l'inférence causaleÉconomie de la santé↔ comparer
- Régression par Moindres Carrés Ordinaires (MCO)Économétrie↔ comparer
- Appariement par score de propensionStatistiques de recherche↔ comparer
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →