Algoritmi za otkrivanje uzročnosti (PC, FCI, LiNGAM)
Otkrivanje uzročnosti je porodica algoritama koji automatski uče usmereni aciklični graf (DAG) koji opisuje uzročnu strukturu direktno iz opservacionih podataka. PC i FCI algoritmi zasnovani na ograničenjima razvili su Spirtes, Glymour i Scheines (2000), dok LiNGAM model Shimizu et al. (2006) koristi linearnu ne-Gaussovu strukturu za orijentaciju grana.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 1). Causal Discovery Algorithms (PC, FCI, LiNGAM). ScholarGate. https://scholargate.app/sr/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.
- Kauzalna identifikacija pomoću usmerenih acikličnih grafova (do-račun)Kauzalno zaključivanje↔ compare
- Razlika u razlikama (Diff-in-Diff)Ekonometrija↔ compare
- Metod instrumentalnih promenljivih (IV) za kauzalno zaključivanjeEkonomija zdravstva↔ compare
- Regresija običnih najmanjih kvadrata (OLS)Ekonometrija↔ compare
- Uskladiivanje rezultata sklonostiIstraživačka statistika↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →