Causale Ontdekking Algoritmen (PC, FCI, LiNGAM)
Causale ontdekking is een familie van algoritmen die automatisch een gerichte acyclische graaf (DAG) leren die de causale structuur rechtstreeks uit observationele gegevens beschrijft. De op beperkingen gebaseerde PC- en FCI-algoritmen werden ontwikkeld door Spirtes, Glymour en Scheines (2000), terwijl het LiNGAM-model van Shimizu et al. (2006) lineaire niet-Gaussische structuur benut om randen te oriënteren.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 1). Causal Discovery Algorithms (PC, FCI, LiNGAM). ScholarGate. https://scholargate.app/nl/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.
- Causale Identificatie met Gerichte Acyclische Grafen (do-calculus)Causale inferentie↔ compare
- Difference-in-Differences (DiD)Econometrie↔ compare
- Instrumentele Variabelen (IV) Methode voor Causale InferentieGezondheidseconomie↔ compare
- Gewone Kleinste Kwadraten (GKK) RegressieEconometrie↔ compare
- Propensity Score MatchingOnderzoeksstatistiek↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →