目录
- 写在开头
- 1.常见的因果图模型对比
- 2.因果图模型介绍
-
- 2.1. 单向因果关系模型(Simple Causal Model)
- 2.2. 多重因果关系模型(Multiple Causal Model)
- 2.3. 中介模型(Mediation Model)
- 2.4. 调节模型(Moderation Model)
- 2.5. 交互效应模型(Interaction Model)
- 2.6. 反馈模型(Feedback Model)
- 2.7. 复杂多级因果模型(Complex Multilevel Causal Model)
- 2.8. 潜变量模型(Latent Variable Model)
- 2.9. 潜在混杂模型(Confounding Model)
- 2.10. 前门准则模型(Front-door Criterion Model)
- 2.11. 后门准则模型(Back-door Criterion Model)
- 2.12. 双向因果模型(Bidirectional Causal Model)
- 2.13. 层次模型(Hierarchical Causal Model)
- 2.14. 动态因果模型(Dynamic Causal Model)
- 2.15. 结构方程模型(SEM, Structural Equation Model)
- 2.16. 贝叶斯网络模型(Bayesian Network Model)
- 3. 因果图模型的不足之处
- 4 应对因果图模型不足的解决方案
- 5.因果图模型的先进技术和方法
- 写在最后
写在开头
因果图模型(Causal Diagram Models)是一种通过图形化方法表示变量之间因果关系的工具。它在统计学、社会科学、流行病学等研究领域中广泛应用。因果推断(Causal Inference)则是利用这些图模型来确定变量之间的因果关系,而不仅仅是关联关系。本文将介绍几种常见的因果图模型,探讨它们的使用范围、如何使用及其应用场景,并通过图形实例进行说明。
1.常见的因果图模型对比
下面师一些常用的因果图模型,并且师严格意义上的因果图模型,依据各标准进行对比,并以表格形式输出如下:
模型名称 | 因果方向 | 有向无环图(DAG) | 混杂因素控制 | 前门/后门准则 | 模型假设与数据支持 | 潜在变量识别 | 因果路径复杂度 | 时间顺序 |
---|---|---|---|---|---|---|---|---|
单向因果关系模型(Simple Causal Model) | 明确 | 符合 | 简单控制 | 后门准则 | 假设简单,数据易支持 | 无需考虑 | 简单 | 明确 |
多重因果关系模型(M |