เปรียบเทียบวิธี
ดูวิธีที่เลือกเทียบกันแบบเคียงข้าง แถวที่ต่างกันจะถูกเน้นไว้
| ขั้นตอนวิธีค้นหาความเป็นเหตุเป็นผล (PC, FCI, LiNGAM)× | การออกแบบการถดถอยแบบไม่ต่อเนื่อง (Regression Discontinuity Design - RDD)× | |
|---|---|---|
| สาขาวิชา | การอนุมานเชิงสาเหตุ | การอนุมานเชิงสาเหตุ |
| ตระกูล | Regression model | Regression model |
| ปีกำเนิด≠ | 2000 | 2008 |
| ผู้ริเริ่ม≠ | Spirtes, Glymour & Scheines (PC/FCI); Shimizu et al. (LiNGAM) | Imbens & Lemieux (guide to practice); Cattaneo, Idrobo & Titiunik (practical introduction) |
| ประเภท≠ | Causal structure learning | Quasi-experimental causal design |
| แหล่งต้นตำรับ≠ | Spirtes, P., Glymour, C., & Scheines, R. (2000). Causation, Prediction, and Search (2nd ed.). MIT Press. ISBN: 978-0262194402 | Imbens, G. W., & Lemieux, T. (2008). Regression Discontinuity Designs: A Guide to Practice. Journal of Econometrics, 142(2), 615-635. DOI ↗ |
| ชื่อเรียกอื่น≠ | PC algorithm, FCI algorithm, LiNGAM, causal structure learning | RDD, regression discontinuity design, sharp RDD, fuzzy RDD |
| ที่เกี่ยวข้อง | 5 | 5 |
| 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. | Regression Discontinuity Design is a quasi-experimental method that identifies a causal effect by locally comparing units just above and just below a cutoff on a continuous assignment (running) variable. Formalised for applied work by Imbens and Lemieux (2008) and developed as a practical framework by Cattaneo, Idrobo, and Titiunik (2020), it estimates a local average treatment effect (LATE) at the threshold. |
| ScholarGateชุดข้อมูล ↗ |
|
|