ขั้นตอนวิธีค้นหาความเป็นเหตุเป็นผล (PC, FCI, LiNGAM)
การค้นหาความเป็นเหตุเป็นผล (Causal discovery) คือกลุ่มของขั้นตอนวิธีที่เรียนรู้กราฟระบุทิศทางแบบไม่มีวงวน (DAG) ซึ่งอธิบายโครงสร้างเชิงสาเหตุได้โดยตรงจากข้อมูลจากการสังเกตการณ์ ขั้นตอนวิธี PC และ FCI ซึ่งอิงตามข้อจำกัด ได้รับการพัฒนาโดย Spirtes, Glymour และ Scheines (2000) ในขณะที่แบบจำลอง LiNGAM ของ Shimizu et al. (2006) ใช้ประโยชน์จากโครงสร้างเชิงเส้นแบบไม่เป็นเกาส์เซียนเพื่อกำหนดทิศทางของเส้นเชื่อม
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 1). Causal Discovery Algorithms (PC, FCI, LiNGAM). ScholarGate. https://scholargate.app/th/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.
- การระบุสาเหตุด้วยกราฟอะไซคลิกแบบมีทิศทาง (do-calculus)การอนุมานเชิงสาเหตุ↔ compare
- Difference-in-Differences (DiD)เศรษฐมิติ↔ compare
- วิธีการตัวแปรเครื่องมือ (IV) สำหรับการอนุมานเชิงสาเหตุเศรษฐศาสตร์สุขภาพ↔ compare
- การถดถอยกำลังสองน้อยที่สุดสามัญ (OLS)เศรษฐมิติ↔ compare
- การจับคู่คะแนนแนวโน้มสถิติการวิจัย↔ compare