Módszerek összehasonlítása
Tekintse át a kiválasztott módszereket egymás mellett; az eltérő sorok kiemelve jelennek meg.
| Kauzális feltáró algoritmusok (PC, FCI, LiNGAM)× | Regresszió Ordináris Legkisebb Négyzetes (OLS) módszerrel× | |
|---|---|---|
| Tudományterület≠ | Oksági következtetés | Ökonometria |
| Módszercsalád | Regression model | Regression model |
| Keletkezés éve≠ | 2000 | 2019 |
| Megalkotó≠ | Spirtes, Glymour & Scheines (PC/FCI); Shimizu et al. (LiNGAM) | Wooldridge (textbook treatment); classical least squares |
| Típus≠ | Causal structure learning | Linear regression |
| Alapmű≠ | Spirtes, P., Glymour, C., & Scheines, R. (2000). Causation, Prediction, and Search (2nd ed.). MIT Press. ISBN: 978-0262194402 | Wooldridge, J. M. (2019). Introductory Econometrics: A Modern Approach (7th ed.). Cengage Learning. ISBN: 978-1337558860 |
| Alternatív nevek≠ | PC algorithm, FCI algorithm, LiNGAM, causal structure learning | ordinary least squares, classical linear regression, linear regression, en küçük kareler regresyonu |
| Kapcsolódó | 5 | 5 |
| Összefoglaló≠ | Causal discovery is a family of algorithms that automatically learn a directed acyclic graph (DAG) describing causal structure directly from observational data. The constraint-based PC and FCI algorithms were developed by Spirtes, Glymour and Scheines (2000), while the LiNGAM model of Shimizu et al. (2006) exploits linear non-Gaussian structure to orient edges. | Ordinary Least Squares is the classical linear regression method that explains a continuous outcome as a linear combination of predictors. It estimates the coefficients by minimising the sum of squared residuals, and under the Gauss-Markov assumptions these estimates are the best linear unbiased estimator (BLUE). |
| ScholarGateAdatkészlet ↗ |
|
|