เปรียบเทียบวิธี
ดูวิธีที่เลือกเทียบกันแบบเคียงข้าง แถวที่ต่างกันจะถูกเน้นไว้
| ขั้นตอนวิธีค้นหาความเป็นเหตุเป็นผล (PC, FCI, LiNGAM)× | การจับคู่คะแนนแนวโน้ม× | |
|---|---|---|
| สาขาวิชา≠ | การอนุมานเชิงสาเหตุ | สถิติการวิจัย |
| ตระกูล≠ | Regression model | Process / pipeline |
| ปีกำเนิด≠ | 2000 | 1983 |
| ผู้ริเริ่ม≠ | Spirtes, Glymour & Scheines (PC/FCI); Shimizu et al. (LiNGAM) | Paul Rosenbaum and Donald Rubin |
| ประเภท≠ | Causal structure learning | Method |
| แหล่งต้นตำรับ≠ | Spirtes, P., Glymour, C., & Scheines, R. (2000). Causation, Prediction, and Search (2nd ed.). MIT Press. ISBN: 978-0262194402 | Rosenbaum, P. R., & Rubin, D. B. (1983). The central role of the propensity score in observational studies for causal effects. Biometrika, 70(1), 41–55. DOI ↗ |
| ชื่อเรียกอื่น≠ | PC algorithm, FCI algorithm, LiNGAM, causal structure learning | PSM, propensity score weighting, covariate balance |
| ที่เกี่ยวข้อง≠ | 5 | 3 |
| สรุป≠ | Causal discovery is a family of algorithms that automatically learn a directed acyclic graph (DAG) describing causal structure directly from observational data. The constraint-based PC and FCI algorithms were developed by Spirtes, Glymour and Scheines (2000), while the LiNGAM model of Shimizu et al. (2006) exploits linear non-Gaussian structure to orient edges. | Propensity score matching (PSM) is a method for reducing confounding bias in observational studies by balancing baseline characteristics between treatment groups, simulating randomization. Developed by Rosenbaum and Rubin (1983), it estimates the probability of receiving treatment given observed covariates, then matches or weights treated and control individuals with similar treatment probabilities. Widely used in medicine, epidemiology, and policy evaluation when randomized trials are infeasible or unethical, enabling estimation of treatment effects while controlling for selection bias. |
| ScholarGateชุดข้อมูล ↗ |
|
|