Kauzális feltáró algoritmusok (PC, FCI, LiNGAM)
A kauzális feltárás (causal discovery) algoritmusok olyan családja, amelyek automatikusan megtanulnak egy irányított, körmentes gráfot (DAG), amely a kauzális struktúrát írja le közvetlenül megfigyelési adatokból. A korlátozás-alapú PC és FCI algoritmusokat Spirtes, Glymour és Scheines (2000) fejlesztette ki, míg Shimizu et al. (2006) LiNGAM modellje a lineáris, nem-Gauss-i eloszlást használja ki az élek orientálására.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 1). Causal Discovery Algorithms (PC, FCI, LiNGAM). ScholarGate. https://scholargate.app/hu/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.
- A kauzális azonosítás irányított aciklikus grafikonokkal (do-kalkulus)Oksági következtetés↔ compare
- A különbség-különbségek (Diff-in-Diff) módszerÖkonometria↔ compare
- Instrumentális Változók (IV) Módszer Kauzális Infláció BecsléséreEgészség-gazdaságtan↔ compare
- Regresszió Ordináris Legkisebb Négyzetes (OLS) módszerrelÖkonometria↔ compare
- Tárgyhajlamossági pontszám illesztésKutatási statisztika↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →