Algoritmi di Scoperta Causale (PC, FCI, LiNGAM)
La scoperta causale è una famiglia di algoritmi che apprendono automaticamente un grafo aciclico diretto (DAG) descrivente la struttura causale direttamente da dati osservazionali. Gli algoritmi basati su vincoli PC e FCI sono stati sviluppati da Spirtes, Glymour e Scheines (2000), mentre il modello LiNGAM di Shimizu et al. (2006) sfrutta la struttura lineare non Gaussiana per orientare gli archi.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 1). Causal Discovery Algorithms (PC, FCI, LiNGAM). ScholarGate. https://scholargate.app/it/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.
- Identificazione Causale con Grafi Aciclici Diretti (do-calculus)Inferenza causale↔ compare
- Difference-in-Differences (Diff-in-Diff)Econometria↔ compare
- Metodo delle Variabili Strumentali (IV) per l'Inferenza CausaleEconomia sanitaria↔ compare
- Regression with Ordinary Least Squares (OLS)Econometria↔ compare
- Abbinamento del punteggio di propensioneStatistica per la ricerca↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →