Các thuật toán Khám phá Nhân quả (PC, FCI, LiNGAM)
Khám phá nhân quả là một họ các thuật toán tự động học một đồ thị không chu trình có hướng (DAG) mô tả cấu trúc nhân quả trực tiếp từ dữ liệu quan sát. Các thuật toán dựa trên ràng buộc PC và FCI được phát triển bởi Spirtes, Glymour và Scheines (2000), trong khi mô hình LiNGAM của Shimizu và cộng sự (2006) khai thác cấu trúc phi Gauss tuyến tính để định hướng các cạnh.
Đọc toàn bộ phương pháp
Đăng nhập bằng tài khoản miễn phí để đọc phần này.
Method map
The neighbourhood of related methods — select a node to explore.
Nguồn tài liệu
- 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 ↗
Cách trích dẫn trang này
ScholarGate. (2026, June 1). Causal Discovery Algorithms (PC, FCI, LiNGAM). ScholarGate. https://scholargate.app/vi/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.
- Nhận dạng nhân quả với Đồ thị có hướng không chu trình (do-calculus)Suy luận nhân quả↔ compare
- Phương pháp Sai phân kép (Difference-in-Differences - DiD)Kinh tế lượng↔ compare
- Phương pháp Biến Công cụ (IV) cho Suy luận Nhân quảKinh tế học y tế↔ compare
- Hồi quy Bình phương Tối thiểu Thông thường (OLS)Kinh tế lượng↔ compare
- Ghép cặp điểm xu hướngThống kê nghiên cứu↔ compare
Được tham chiếu bởi
Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →