| 第55行： |
第55行： |
| | === 因果基元 === | | === 因果基元 === |
| | | | |
| − | == 知识建模的因果效应度量 == | + | == 因果效应度量的应用 == |
| − | 如果具备领域知识，并且易于进行实验室实验以开发提供的时间序列数据生成背后的因果模型，则可以使用基于模型的因果效应估计方法。这类方法既由假设（模型）主导，又由数据主导，并且依赖于假设模型之间的比较及其优化。
| |
| − | === 结构方程模型 ===
| |
| − | 结构方程模型 (SEM) [16] 和动态因果模型 (DCM) [25] 就是这类方法的例子。 SEM 包括一组不同的计算机算法、数学模型和统计方法，用于将构造网络与数据相匹配。SEM 模型构造之间的联系可以用独立的回归方程来估计，有时也可以通过更复杂的技术来估计。除了用于医学、环境科学和工程之外，SEM 还应用于会计和市场营销等社会科学学科。
| |
| − | === 动态因果模型 ===
| |
| − | DCM 是在神经科学的背景下开发的。其目的是估计不同大脑区域之间的耦合，并确定耦合如何受到环境变化（即时间或上下文）的影响。不同皮质区域（节点）之间的相互作用模型以常微分方程或随机微分方程的形式表示。这些节点的隐藏状态的活动映射到基于另一个模型的测量活动。使用获取的数据进行贝叶斯模型反演以确定系统的最佳模型及其参数。
| |