Algoritmer for kausal oppdagelse (PC, FCI, LiNGAM)
Kausal oppdagelse er en familie av algoritmer som automatisk lærer en rettet asyklisk graf (DAG) som beskriver kausal struktur direkte fra observasjonsdata. De regelbaserte PC- og FCI-algoritmene ble utviklet av Spirtes, Glymour og Scheines (2000), mens LiNGAM-modellen til Shimizu et al. (2006) utnytter lineær ikke-Gaussisk struktur for å orientere kanter.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Metodekart
Nabolaget av beslektede metoder — velg en node for å utforske.
Kilder
- 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 1). Causal Discovery Algorithms (PC, FCI, LiNGAM). ScholarGate. https://scholargate.app/no/causal-inference/causal-discovery
Hvilken metode?
Sett denne metoden ved siden av sin nærmeste slektning og les dem side om side — biblioteket legger bøkene på bordet; valget er ditt.
- Kausalanalyse med rettede sykluser (do-kalkyle)Kausal inferens↔ sammenlign
- Differanse-i-differanser (DiD)Økonometri↔ sammenlign
- Instrumentelle variabler (IV) metode for kausal inferensHelseøkonomi↔ sammenlign
- Minste kvadraters metode (OLS)Økonometri↔ sammenlign
- Propensity Score MatchingForskningsstatistikk↔ sammenlign
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →