Порівняння методів
Переглядайте обрані методи поруч; рядки з відмінностями підсвічено.
| Коригування "передніх дверей" (критерій "передніх дверей")× | Алгоритми причинно-наслідкового виявлення (PC, FCI, LiNGAM)× | |
|---|---|---|
| Галузь | Причинно-наслідковий висновок | Причинно-наслідковий висновок |
| Родина | Regression model | Regression model |
| Рік появи≠ | 1995 | 2000 |
| Автор методу≠ | Judea Pearl | Spirtes, Glymour & Scheines (PC/FCI); Shimizu et al. (LiNGAM) |
| Тип≠ | Causal identification (graphical adjustment) | Causal structure learning |
| Основоположне джерело≠ | Pearl, J. (1995). Causal Diagrams for Empirical Research. Biometrika, 82(4), 669-688. DOI ↗ | Spirtes, P., Glymour, C., & Scheines, R. (2000). Causation, Prediction, and Search (2nd ed.). MIT Press. ISBN: 978-0262194402 |
| Інші назви≠ | frontdoor criterion, Pearl's frontdoor adjustment, frontdoor formula, Ön Kapı Düzenlemesi (Frontdoor Adjustment) | PC algorithm, FCI algorithm, LiNGAM, causal structure learning |
| Пов'язані≠ | 4 | 5 |
| Підсумок≠ | Frontdoor adjustment is Judea Pearl's graphical identification strategy, introduced in 1995, that recovers the causal effect of a treatment on an outcome through a fully mediating variable even when an unobserved confounder sits between the treatment and the outcome. It is the go-to tool when the backdoor criterion cannot be satisfied because the confounder is unmeasured. | 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. |
| ScholarGateНабір даних ↗ |
|
|