Algorytmy odkrywania przyczynowości (PC, FCI, LiNGAM)
Odkrywanie przyczynowości to rodzina algorytmów, które automatycznie uczą się skierowanego grafu acyklicznego (DAG) opisującego strukturę przyczynową bezpośrednio z danych obserwacyjnych. Oparte na ograniczeniach algorytmy PC i FCI zostały opracowane przez Spirtesa, Glymoura i Scheinesa (2000), podczas gdy model LiNGAM Shimizu i wsp. (2006) wykorzystuje liniową strukturę niegaussowską do orientowania krawędzi.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 1). Causal Discovery Algorithms (PC, FCI, LiNGAM). ScholarGate. https://scholargate.app/pl/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.
- DAG Causal IdentificationWnioskowanie przyczynowe↔ compare
- Metoda różnic w różnicach (Diff-in-Diff)Ekonometria↔ compare
- Metoda zmiennych instrumentalnych (IV) do wnioskowania przyczynowegoEkonomika zdrowia↔ compare
- Regresja metodą najmniejszych kwadratów (OLS)Ekonometria↔ compare
- Dopasowanie wyników skłonnościStatystyka w badaniach↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →