So sánh phương pháp
Xem các phương pháp đã chọn cạnh nhau; những hàng khác biệt được làm nổi bật.
| Nhận dạng nhân quả với Đồ thị có hướng không chu trình (do-calculus)× | Chuỗi Markov Monte Carlo (MCMC)× | |
|---|---|---|
| Lĩnh vực≠ | Suy luận nhân quả | Bayes |
| Họ≠ | Regression model | Bayesian methods |
| Năm ra đời≠ | 2009 | — |
| Người khởi xướng≠ | Judea Pearl | — |
| Loại≠ | Causal identification framework | Posterior sampling algorithm |
| Công trình gốc≠ | Pearl, J. (2009). Causality: Models, Reasoning, and Inference (2nd ed.). Cambridge University Press. ISBN: 978-0521895606 | Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A. & Rubin, D. B. (2013). Bayesian Data Analysis (3rd ed.). CRC Press. ISBN: 978-1439840955 |
| Tên gọi khác≠ | do-calculus, backdoor adjustment, Pearl causal identification, DAG ile Nedensel Tanımlama (do-calculus) | markov chain monte carlo, MCMC sampling, MCMC (Markov Zinciri Monte Carlo) |
| Liên quan≠ | 5 | 3 |
| Tóm tắt≠ | DAG causal identification is a framework, developed by Judea Pearl (2009), that encodes causal assumptions as a directed acyclic graph and uses the do-calculus rules to determine whether and how a causal effect can be identified from observational data. It systematically handles confounders, instrumental variables, and backdoor paths. | Markov Chain Monte Carlo (MCMC) is a family of computational algorithms for sampling from complex probability distributions, most commonly the posterior distributions that arise in Bayesian inference. Rather than computing posteriors analytically — which is rarely possible for realistic models — MCMC constructs a Markov chain whose stationary distribution is the target posterior and draws dependent samples from it, enabling full probabilistic inference for virtually any model. |
| ScholarGateBộ dữ liệu ↗ |
|
|