论文阅读——基于观测数据的时间序列因果推断综述

瓦中空花

已于 2022-09-27 09:45:58 修改

阅读量2k

点赞数 1

分类专栏：文献综述大数据因果分析文章标签：论文阅读

于 2022-09-27 09:44:06 首次发布

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/lankongyiqu/article/details/127011865

版权

本文回顾了基于观测数据的时间序列因果推断方法，涵盖Granger因果、信息论、因果网络结构学习及非线性状态空间模型等。探讨了Lasso-GRanger、Copula-Granger、符号动态归一化传递熵（SDNDTE）、归一化有效传递熵（NETE）等创新技术，并指出现有方法在非平稳序列和高维数据中的挑战。文章提到了用于复杂系统因果关系推断的最新算法，如PCMCI+和CCM，并讨论了它们在实际应用中的潜力。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

国防科大2022年3月的综述

1.Granger

多元Granger: VAR+条件集，P(X|Y)=>条件VAR模型，比较y与y^来判定因果关系。

（加入条件集，消除其它变量影响）

条件Granger:用矩阵表示参数，简化计算。并提出基于 $\chi _{}^{2}$ 检验的因果判定方法。

检验方法的创新，或者先变换空间在创新都能提高Granger适用性。

Lasso-GRanger：添加Lasso进行变量筛选，降低计算复杂度。

Copular-Granger：结合Lasso-Granger和潜在因果模型，用D-分离排除混杂因素，用Granger的“非超常分布”识别因果关系。（有点意思——那可以结合反事实计算吗？）

2.信息论

这些方法课衡量因果关系的强度，但对方向性未准确。

最低0.47元/天解锁文章

评论 3

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。