causal-learn

它会给你什么

• 一个标准图对象，可以画成图片或转成其他格式。
• 转换后的另一种因果图。
• 一个打分数值，好坏含义取决于所用评分。

你需要准备

• 一张图的节点清单和边的定义。
• 一张有向无环图。
• 一张部分有向图的邻接矩阵。

由你把关

• 跨工具迁移或比较时图的读法约定是否一致，由你核对。
• 选的评分函数是否匹配你的数据类型，由你核对。
• 对比真值和结果时两边是否用同一套图的记法，由你核对。

它会给你什么

• 一张带系数的因果矩阵，以及变量的因果先后顺序。
• 时间序列版本的系数、同期因果图和稳定性检验结果。
• 一对变量之间谁是因谁是果的判定。

你需要准备

• 一份数值表格数据，每行一个样本、每列一个变量。
• 随机种子、你已知的因果先后关系和度量方式选择。
• 求解的最大迭代次数。

由你把关

• 数据是否满足所用方法的核心假设，这决定结果可不可信，由你核对。
• 得出的因果先后是否和你领域的常理相符，由你核对。
• 自动选的滞后阶数是否合理，由你核对。

它会给你什么

• 一份包含搜索过程的记录。
• 搜出的最优因果图。
• 搜出的因果等价类图。

你需要准备

• 一份数值表格数据，部分方法也可直接给协方差矩阵和样本量。
• 用哪种评分函数。
• 每个变量最多允许有多少个直接原因。

由你把关

• 评分函数是否匹配你的数据类型，这直接影响结果，由你核对。
• 控制图复杂度的参数设置是否合理，由你核对。
• 贪心搜索的结果要不要用精确搜索复核一遍，由你决定。

它会给你什么

• 一张学出的因果图。
• 一张允许混杂的因果图，标明哪些方向还不确定。

你需要准备

• 一份数值表格数据，每行一个样本、每列一个变量。
• 判断独立性时的显著性水平。
• 用哪种独立性检验方法。

由你把关

• 检验方法是否匹配你的数据类型，这决定骨架对不对，由你核对。
• 你是否相信数据里没有未观测的混杂因素，这决定选哪种方法，由你决定。
• 显著性水平设得是否合适，太严会漏边、太松会多出假边，由你核对。

它会给你什么

• 各滞后阶的检验结果和影响关系表。
• 同期与滞后的因果系数、因果顺序和稳定性检验结果。

你需要准备

• 用 Granger 方法所需的检验参数。
• 用 VAR-LiNGAM 方法所需的模型参数。

由你把关

• 序列是否平稳，这决定 Granger 方法能不能用，由你核对。
• 残差是否满足非高斯要求，这决定同期因果能不能识别，由你核对。
• 自动选的滞后阶数是否合理，由你核对。

它会给你什么

• 一个 p 值，越小越说明两者在给定条件下仍有关系。
• 检验器可直接交给因果发现算法使用。
• 缓存的中间计算结果，避免重复算。

你需要准备

• 一份完整的数值表格数据，初始化时给一次。
• 用哪种检验方法。
• 要检验的两个变量的编号。

由你把关

• 检验方法是否匹配你的数据类型，选错会得出错误判断，由你核对。
• 判断独立性的显著性水平是否合适，由你核对。
• 数据量大时用慢方法是否要降采样或换快速方法，由你核对。