Glosario IA
El diccionario completo de la Inteligencia Artificial
Inferencia Causal
Conjunto de métodos estadísticos para estimar los efectos causales a partir de datos observacionales o experimentales.
Grafos Causales DAG
Representación matemática de las relaciones de causa y efecto en forma de grafos acíclicos dirigidos.
Modelos Estructurales Causales
Marco formal que combina ecuaciones estructurales y grafos para modelar los mecanismos causales.
Cálculo Causal de Pearl
Sistema de reglas (do-calculus) que permite derivar efectos causales a partir de correlaciones observadas.
Análisis contrafactual
Estudio de los escenarios hipotéticos y de lo que habría ocurrido si se hubieran tomado diferentes acciones.
Descubrimiento de causalidad
Algoritmos para identificar automáticamente las estructuras causales a partir de datos en bruto.
Variables Instrumentales
Técnica que utiliza variables externas para identificar los efectos causales en presencia de confusión.
Mediación Causal
Análisis de los mecanismos intermedios a través de los cuales una causa produce su efecto.
Sesgo de confusión
Estudio y corrección de los factores que influyen tanto en la causa como en el efecto, creando asociaciones espurias.
Puntajes de Propensión
Método de estimación de la probabilidad de tratamiento para corregir los sesgos de selección en los estudios observacionales.
Causalidad Temporal
Análisis de las relaciones de causa y efecto en las series temporales y los datos longitudinales.
Inferencia Causal en Alta Dimensión
Métodos adaptados a datos con muchas variables y muestras limitadas.
Aprendizaje por Refuerzo Causal
Integración de los principios causales en los algoritmos de RL para mejorar la generalización.
Tests de Causalidad de Granger
Tests estadísticos para determinar si una serie temporal predice otra serie temporal.
Modelos de Ecuaciones Estructurales
Enfoque estadístico que combina análisis factorial y regresión para modelar relaciones causales complejas.