Algoritmos de Descoberta Causal (PC, FCI, LiNGAM)
A descoberta causal é uma família de algoritmos que aprendem automaticamente um grafo acíclico direcionado (DAG) descrevendo a estrutura causal diretamente a partir de dados observacionais. Os algoritmos baseados em restrições PC e FCI foram desenvolvidos por Spirtes, Glymour e Scheines (2000), enquanto o modelo LiNGAM de Shimizu et al. (2006) explora a estrutura não-Gaussiana linear para orientar arestas.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 1). Causal Discovery Algorithms (PC, FCI, LiNGAM). ScholarGate. https://scholargate.app/pt/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.
- Identificação Causal com Grafos Acíclicos Direcionados (cálculo-do)Inferência causal↔ compare
- Diferenças em Diferenças (DiD)Econometria↔ compare
- Método de Variáveis Instrumentais (VI) para Inferência CausalEconomia da saúde↔ compare
- Regressão por Mínimos Quadrados Ordinários (MQO)Econometria↔ compare
- Propensity Score MatchingEstatística para pesquisa↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →