Algoritmer för kausal upptäckt (PC, FCI, LiNGAM)
Kausal upptäckt är en familj av algoritmer som automatiskt lär sig en riktad acyklisk graf (DAG) som beskriver kausal struktur direkt från observerade data. De regelbaserade algoritmerna PC och FCI utvecklades av Spirtes, Glymour och Scheines (2000), medan LiNGAM-modellen av Shimizu et al. (2006) utnyttjar linjär icke-Gaussisk struktur för att orientera kanter.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 1). Causal Discovery Algorithms (PC, FCI, LiNGAM). ScholarGate. https://scholargate.app/sv/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.
- Kausalförklaring med riktade acykliska grafer (do-kalkyl)Kausal inferens↔ compare
- Differens-i-differens (DiD)Ekonometri↔ compare
- Instrumentvariabelmetoden (IV) för kausal inferensHälsoekonomi↔ compare
- Vanligaste minsta kvadratmetoden (OLS) RegressionEkonometri↔ compare
- Propensity score-matchningForskningsstatistik↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →