Algoritmi de Descoperire Cauzală (PC, FCI, LiNGAM)
Descoperirea cauzală este o familie de algoritmi care învață automat un graf orientat aciclic (DAG) descriind structura cauzală direct din date observaționale. Algoritmii bazați pe constrângeri, PC și FCI, au fost dezvoltați de Spirtes, Glymour și Scheines (2000), în timp ce modelul LiNGAM al lui Shimizu et al. (2006) exploatează structura liniară non-gaussiană pentru a orienta muchiile.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
Surse
- 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 ↗
Cum se citează această pagină
ScholarGate. (2026, June 1). Causal Discovery Algorithms (PC, FCI, LiNGAM). ScholarGate. https://scholargate.app/ro/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.
- Identificarea cauzală cu grafuri aciclice direcționate (do-calculus)Inferență cauzală↔ compare
- Difference-in-Differences (Diff-in-Diff)Econometrie↔ compare
- Metoda Variabilelor Instrumentale (IV) pentru Inferența CauzalăEconomia sănătății↔ compare
- Regresia prin metoda celor mai mici pătrate ordinare (OLS)Econometrie↔ compare
- Potrivirea scorului de propensitateStatistică pentru cercetare↔ compare
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →