Алгоритмы каузального обнаружения (PC, FCI, LiNGAM)
Каузальное обнаружение — это семейство алгоритмов, которые автоматически строят ориентированный ациклический граф (DAG), описывающий причинно-следственную структуру, непосредственно из наблюдательных данных. Алгоритмы PC и FCI, основанные на ограничениях, были разработаны Спиртсом, Глаймуром и Шайнесом (2000), в то время как модель LiNGAM Шимидзу и соавт. (2006) использует линейную негауссову структуру для ориентации рёбер.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Карта метода
Окружение родственных методов — выберите узел, чтобы перейти к нему.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 1). Causal Discovery Algorithms (PC, FCI, LiNGAM). ScholarGate. https://scholargate.app/ru/causal-inference/causal-discovery
Какой метод?
Поставьте этот метод рядом с ближайшими родственными и прочитайте их бок о бок — библиотека выкладывает книги на стол, а выбор за вами.
- DAG Causal IdentificationПричинно-следственный вывод↔ сравнить
- Разность разностей (Difference-in-Differences, DiD)Эконометрика↔ сравнить
- Метод инструментальных переменных (ИП) для причинно-следственного выводаЭкономика здравоохранения↔ сравнить
- Регрессия методом обыкновенных наименьших квадратов (ОНМК)Эконометрика↔ сравнить
- Метод подбора на основе оценки склонностиСтатистика исследований↔ сравнить
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →