因果推斷
因果推断是一种研究因果关系的科学方法，旨在确定某个现象（因）对另一个现象（果）的独立影响。与传统的相关性分析不同，因果推断专注于探究当原因变量发生变化时，结果变量的具体响应。 这一领域在人工智能、医学、社会科学和经济学中得到了广泛应用。 因果推断的核心任务是通过数据分析揭示隐藏的因果关系。它不仅需要构建因果模型，还必须满足特定假设，以确保推断结果的可靠性。这些假设包括无混杂变量假设（不存在未观测的混杂因素）、共同支持假设（不同处理方式的…
标签：#圖模式
共 6 篇文章
马尔可夫网络
马尔可夫网络，（马尔可夫随机场、无向图模型）是关于一组有马尔可夫性质随机变量X的全联合概率分布模型。 马尔可夫网络类似贝叶斯网络用于表示依赖关系。但是，一方面它可以表示贝叶斯网络无法表示的一些依赖关系，如循环依赖；另一方面，它不能表示贝叶斯网络能够表示的某些关系，如推导关系。马尔可夫网络的原型是易辛模型，最初是用来说明该模型的基本假设。 形式化定义 形式上，一个马尔可夫网络包括： 一个无向图G = (V,E)，每个顶点v ∈V表示一个在…
條件隨機域
条件随机场（conditional random field，簡稱 CRF），是一種鑑別式機率模型，是随机场的一种，常用於標注或分析序列資料，如自然語言文字或是生物序列。 如同马尔可夫随机场，條件隨機場為無向性之圖模型，圖中的頂點代表隨機變數，頂點間的連線代表隨機變數間的相依關係，在條件隨機場當中，隨機變數 Y 的分佈為條件機率，給定的觀察值則為隨機變數 X。原則上，條件隨機場的圖模型佈局是可以任意給定的，一般常用的佈局是鏈結式的架構，…
對撞因子
對撞因子（），有時又稱為反向分叉（），在統計學和圖模式中，是指同時被兩個以上的變數影響的變數，而這些影響對撞因子的變數之間不見得有因果關係。因為在環路圖上會顯示為有兩個以上箭頭指入的節點，所以稱為對撞因子。 對撞因子不會直接造成影響它的變數之間出現相關，以或環路圖的術語來說，對撞因子會「阻斷」兩個變數間的路徑。然而，想要了解變數間的因果關係時，對撞因子非常重要，因為在設計實驗、挑選樣本或統計分析時，如果有意或無意間控制了對撞因子，會造成…
干擾因素
干擾因素（英語：、或），又稱為干擾因子、干擾變量、混淆變量、共變因等，在统计学和因果關係中是指會同時影響自变量和因变量，導致出現偽關係的一種變量。在不嚴謹的語境下，干擾因子也可以指所有未知變數（），包括中介變因和對撞變因。干擾因子會造成偽關係，是相關不蘊涵因果的原因之一。 參見 * 參考文獻
貝氏網路
貝氏網路（Bayesian network），又稱信念網絡（belief network）或是有向無環圖模型（directed acyclic graphical model），是一種機率圖型模型，藉由有向無環圖（directed acyclic graphs, or DAGs）中得知一組隨機變數\left\{ X_1,X_2,...,X_n\right\}及其n組條件機率分配（conditional probability distr…