Causal Identification with Directed Acyclic Graphs (do-calculus)
Uzzīmējiet savu причинно-следственную stāstu kā bultu diagrammu: katra bulta norāda, ka viena mainīgā tieši ietekmē citu, un nav ciklu. Kad attēls ir fiksēts, vienkārši grafiskie noteikumi jums pateiks, kuras citas mainīgās ir jāpielāgo, lai bloķētu spurious 'aizmugurējās' takas, kas citādi sajauktu cēloni ar vienkāršu korelāciju. Ja ir novērots pareizais mainīgo kopums, tas pats attēls precīzi parāda, kā aprēķināt intervences (do) efektu no parastiem novērošanas datiem.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- Pearl, J. (2009). Causality: Models, Reasoning, and Inference (2nd ed.). Cambridge University Press. ISBN: 978-0521895606
- Pearl, J., Glymour, M., & Jewell, N. P. (2016). Causal Inference in Statistics: A Primer. Wiley. ISBN: 978-1119186847
Kā citēt šo lapu
ScholarGate. (2026, June 1). Causal Identification with Directed Acyclic Graphs (do-calculus). ScholarGate. https://scholargate.app/lv/causal-inference/dag-identification
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.
- Instrumentālo mainīgo (IV) metode cēloņsakarību noteikšanaiVeselības ekonomika↔ compare
- Apgrieztā varbūtības svēršana (IPW / IPTW)Cēloņsakarību secināšana↔ compare
- Mediācijas analīzeStatistika↔ compare
- Propensity Score MatchingPētniecības statistika↔ compare
- Jutīguma analīze slēptai neobjektivitātei (Rozenbauma robežas / E-vērtība)Cēloņsakarību secināšana↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →