Regression model
การระบุสาเหตุด้วยกราฟอะไซคลิกแบบมีทิศทาง (do-calculus)
การระบุสาเหตุด้วย DAG เป็นกรอบงานที่พัฒนาโดย Judea Pearl (2009) ซึ่งเข้ารหัสสมมติฐานเชิงสาเหตุเป็นกราฟอะไซคลิกแบบมีทิศทาง และใช้กฎ do-calculus เพื่อกำหนดว่าผลเชิงสาเหตุสามารถระบุได้จากข้อมูลเชิงสังเกตหรือไม่และอย่างไร กรอบงานนี้จัดการกับตัวแปรกวน ตัวแปรเครื่องมือ และเส้นทางย้อนกลับได้อย่างเป็นระบบ
อ่านวิธีฉบับเต็ม
สำหรับสมาชิกเท่านั้น
เข้าสู่ระบบเข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Pearl, J. (2009). Causality: Models, Reasoning, and Inference (2nd ed.). Cambridge University Press. ISBN: 978-0521895606
- Pearl, J., Glymour, M., & Jewell, N. P. (2016). Causal Inference in Statistics: A Primer. Wiley. ISBN: 978-1119186847
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 1). Causal Identification with Directed Acyclic Graphs (do-calculus). ScholarGate. https://scholargate.app/th/causal-inference/dag-identification
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.
- วิธีการตัวแปรเครื่องมือ (IV) สำหรับการอนุมานเชิงสาเหตุเศรษฐศาสตร์สุขภาพ↔ compare
- Inverse Probability Weighting (IPW / IPTW) การถ่วงน้ำหนักด้วยความน่าจะเป็นผกผันการอนุมานเชิงสาเหตุ↔ compare
- การวิเคราะห์การส่งผ่านสถิติศาสตร์↔ compare
- การจับคู่คะแนนแนวโน้มสถิติการวิจัย↔ compare
- การวิเคราะห์ความไวต่ออคติแฝง (Rosenbaum Bounds / E-value)การอนุมานเชิงสาเหตุ↔ compare
ถูกอ้างอิงโดย
เครือข่ายเบย์ (Bayesian Network)ขั้นตอนวิธีค้นหาความเป็นเหตุเป็นผล (PC, FCI, LiNGAM)การวิเคราะห์การถ่ายทอดเหตุผลเชิงสาเหตุ (ผลกระทบโดยตรงและโดยอ้อมตามธรรมชาติ)การปรับแบบประตูหน้า (เกณฑ์ประตูหน้า)Inverse Probability Weighting (IPW / IPTW) การถ่วงน้ำหนักด้วยความน่าจะเป็นผกผันการทดสอบแบบพลัสซีโบสำหรับการอนุมานเชิงสาเหตุ