Get a list of total causal effects
Examples
LiNGAM_sample_1000 <- generate_lingam_sample_6()
bs_model <- lingam_direct_bootstrap(LiNGAM_sample_1000$data,
n_sampling = 30L, reg_method = "ols", seed = 42
)
#> Bootstrap: 30 iterations, method=ols (sequential)
#> iteration 1 / 30
#> iteration 10 / 30
#> iteration 20 / 30
#> iteration 30 / 30
#> Completed in 0.2 seconds.
get_total_causal_effects(bs_model)
#> from to effect probability
#> 1 1 6 4.021097096 1.00000000
#> 2 1 2 2.984272432 0.96666667
#> 3 1 5 8.009251257 0.96666667
#> 4 3 2 1.981440607 0.96666667
#> 5 3 5 -1.099920161 0.96666667
#> 6 4 1 3.032918694 0.96666667
#> 7 4 2 21.057962053 0.96666667
#> 8 4 3 6.003637462 0.96666667
#> 9 4 5 18.277681670 0.96666667
#> 10 4 6 12.184927850 0.96666667
#> 11 6 2 0.098273438 0.63333333
#> 12 5 2 -0.049991036 0.60000000
#> 13 3 6 -0.065251117 0.56666667
#> 14 6 5 -0.048877851 0.56666667
#> 15 3 1 -0.035631751 0.53333333
#> 16 1 3 -0.017162707 0.46666667
#> 17 5 6 0.033385392 0.43333333
#> 18 6 3 0.067423011 0.43333333
#> 19 2 5 -0.047501331 0.40000000
#> 20 2 6 -0.016891773 0.36666667
#> 21 1 4 -0.006219983 0.03333333
#> 22 2 1 0.147945030 0.03333333
#> 23 2 3 0.278509201 0.03333333
#> 24 2 4 0.046110069 0.03333333
#> 25 3 4 0.135177264 0.03333333
#> 26 5 1 0.103731652 0.03333333
#> 27 5 3 -0.142910453 0.03333333
#> 28 5 4 -0.010957236 0.03333333
#> 29 6 4 -0.004996343 0.03333333