协方差矩阵和稀疏逆协方差矩阵(Sparse Inverse Covariance, SIC)

协方差矩阵用于描述多个随机变量之间的线性关系，反应了相关性和方差，是一个正定矩阵，可计算无向功能连接。

稀疏逆协方差矩阵用于描述多个随机变量的非线性关系和因果关系，是一个稀疏矩阵，反应了变量间的独立性关系。可用于计算有向功能连接。其中高斯图模型(Gaussian graphical model)就是一种利用SIC构建变量间因果网络的方法。

Granger因果模型

Granger因果模型是一种线性的时间序列模型，用于识别和量化多变量时间序列之间的因果关系。Granger因果模型的思路是，如果一个时间序列的过去值能够更好地预测另一个时间序列的当前值，那么可以认为前者对后者具有因果影响。通过计算时间序列的滞后值之间的线性关系，可以得到一个因果关系网络，进而推断变量之间的因果方向和强度。与稀疏逆协方差矩阵不同，Granger因果模型假设变量之间的因果关系是线性的，并且只考虑时间延迟的影响，对非线性关系和非时序数据的分析能力有限。

动态因果模型(Dynamic Casual Modeling, DCM)

动态因果模型是一种基于非线性时间序列的因果推断方法，能够处理具有时滞和非线性关系的数据。动态因果模型假设时间序列是由一组动态方程组成的，每个方程表示一个变量受其它变量的因果影响的动态演化过程。通过对时间序列的动态方程进行建模和参数估计，可以得到一个动态因果模型，进而推断变量之间的因果关系。与Granger因果模型和稀疏逆协方差矩阵不同，动态因果模型能够处理非线性关系和多变量系统的时滞效应，但对数据的要求更高，需要具有一定的动态性和时序性。

线性非高斯无环因果模型(Linear non-Gaussian acyclic causal model, LiNGAM)

线性非高斯无环因果模型假设数据是线性关系，但变量间的关系不一定是高斯分布。LiNGAM的计算思路是基于独立成分分析（ICA），通过寻找一组独立的成分来确定因果关系。具体地，通过对观察到的数据进行矩阵分解，将原始数据分解成独立的成分，然后基于因果关系的假设，找到一个使分解后的独立成分满足因果关系的矩阵。这个矩阵可以解释成每个变量对其他变量的影响，从而得到因果关系。

相比于动态因果模型（Dynamic Causal Modeling, DCM），SIC可能更适合分析相对静态的神经网络结构，而在分析神经系统的动态变化方面可能受到一些限制。