半平稳时间序列中的因果发现

在不做平稳性假设的情况下从观测时间序列中发现因果关系是一个重大挑战。在实践中，这一挑战在零售销售、交通系统和医学科学等许多领域都很常见。在这里，我们针对一类非平稳时间序列考虑这个问题。这类时间序列的结构因果模型（SCM），被称为半平稳时间序列，表现出有限数量的不同因果机制在时间上顺序且周期性地出现。该模型具有相当大的实用价值，因为它可以表示周期性，包括季节性和昼夜变化等常见现象。我们提出了一种基于约束的非参数算法，用于在这种设置中发现因果关系。由此产生的算法 PCMCI$_{\Omega}$ 能够捕捉因果机制中的交替和重复变化，然后通过条件独立性（CI）检验识别潜在的因果图。我们证明了该算法在离散时间序列上识别因果关系是可靠的。我们通过在连续和离散模拟数据上的大量实验验证了该算法。我们还将我们的算法应用于一个真实世界的气候数据集。