Algoritmi cēloņsakarību atklāšanai (PC, FCI, LiNGAM)
Cēloņsakarību atklāšana ir algoritmu saime, kas automātiski apgūst virzītu ahirālisku grafu (DAG), aprakstot cēloņsakarību struktūru tieši no novērojumu datiem. Ierobežojumos balstītie PC un FCI algoritmi tika izstrādāti Spirtes, Glymour un Scheines (2000), savukārt Shimizu et al. (2006) LiNGAM modelis izmanto lineāru ne-Gausa struktūru, lai orientētu malas.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 1). Causal Discovery Algorithms (PC, FCI, LiNGAM). ScholarGate. https://scholargate.app/lv/causal-inference/causal-discovery
Kura metode?
Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.
- DAG Causal IdentificationCēloņsakarību secināšana↔ salīdzināt
- Diferenču starpībām (Diff-in-Diff)Ekonometrija↔ salīdzināt
- Instrumentālo mainīgo (IV) metode cēloņsakarību noteikšanaiVeselības ekonomika↔ salīdzināt
- Parastā mazāko kvadrātu (OLS) regresijaEkonometrija↔ salīdzināt
- Propensity Score MatchingPētniecības statistika↔ salīdzināt
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →