从数据中学习贝叶斯网络结构是一个NP-hard问题，提高网络结构学习算法精度是研究的重难点。基于Pearl的因果理论，提出了一种贝叶斯网络结构学习方法，提升了现有算法的准确率。利用改进的Pearl因果效应和BDe评分，学习网络节点优先次序，利用K2算法学习初始网络，并通过BDe评分反向调节、互信息和BDe评分删除边以修正学习结果。实验在贝叶斯网络标准数据集ASIA、ALARM上进行，在样本量为2000~20 000的20组实验中，学习准确率较MMHC算法平均提升16%，准确率标准差较MMHC算法平均缩小17%。实验表明，基于因果效应的方法较MMHC算法有更好的性能。

清华大学

Granger因果检验的经典论文。值得每一个研究者细细品读

一直以来舆情态势发展的多元性、复杂性使其难以有效管控, 一些负面舆情会激化矛盾, 给社会安定带来不利影响. 提出了一种基于事理知识图谱的舆情事件推演方法, 通过神经网络挖掘事件因果逻辑, 连接因果事件构成事理知识图谱. 向量化事件节点以融合归并相似节点降低图谱冗余, 增强图谱泛化性. 根据事理知识图谱反映的发展逻辑对目标舆情事件的演化趋势进行预测. 以自然灾害舆情事件为例, 实验结果表明提出的方法能够有效预测舆情事件发展方向, 可以为舆情监管提供一定支持.

格兰杰因果关系 这个库是 CWJ Grangers 流行的因果关系指标指标的 Java 实现，也称为 。 实现遵循他 1969 年的论文 [1]。 格兰杰因果关系的简单描述如下：“变量x的历史信息有助于预测变量y吗？” 还有其他 Granger-Causality 的开源 Java 实现，例如 Sergey Edunov 的 GNU 实现 。 然而，这些实现专注于双变量空间，将用户限制为 2 个变量（x 和 y）。 在大多数情况下，正在分析的宇宙由更多变量（多元）组成。 因此，在这种情况下更合适的问题是：“变量x的历史信息是否有助于预测给定宇宙u中的变量y ？” 这需要将二元格兰杰因果关系扩展到多元空间，这是在此库的二元实现之上提供的。 [1] 格兰杰，CWJ (1969)。 “通过计量经济学模型和交叉谱方法调查因果关系” 。 计量经济学 37 (3): 424–438。

CausalInference.jl：使用PC算法进行因果推理，图形模型和结构学习

2．3 java程序实例   12 / 177 

格兰杰因果matlab代码探索性因果分析（ECA） 此代码集合用于对双变量时间序列数据执行探索性因果分析。 主要脚本是MATLAB脚本ECA ，其运行方式为 [TE,GC,PAI,L,LCC,g] = ECA(x,y,xtol,ytol,lags,E,tau,verb,skipGC) 其中x和y是时间序列数据的一维向量， xtol ， ytol和lags是传递给倾斜函数的参数（请参见）， E和tau是传递给PAI函数的参数（请参见），动词是可选的标志surpress命令行输出，并且skipGC是一个标志，可以选择禁止Granger因果关系计算。 TE是一个输出结构，其中包含使用Java Information Dynamics工具包（JIDT）计算得出的传输熵结果，该信息可以在doi：10.3389 / frobt.2014.00011中获得，并在doi：10.3389 / frobt.2014.00011中引入。 GC是一种输出结构，其中包含使用MATLAB的MVGC多元Granger因果关系工具箱进行Granger对数似然统计计算，可在doi：10.1016 / j.jneumet

对因果推理发展的研究广泛地集中于实现两个目标: 理解因果推理的起源，以及检验因果推理如何随着发展而变化。本书回顾了旨在实现这两个目标的证据和理论。

因果关系此软件包包含使用观察（而非实验）数据集进行因果分析的工具。 安装假设您已经安装了pip，只需运行pip install causality因果分析因果关系此软件包包含使用观察（而非实验）数据集进行因果分析的工具。 安装假设已经安装了pip，只需运行pip install causality原因分析该包最简单的接口可能是通过causality.analysis.CausalDataFrame中的CausalDataFrame对象。 这只是pandas.DataFrame对象的扩展，因此它继承了相同的方法。 CausalDataFrame当前支持两种因果分析