从时间序列中进行因果结构学习：实践中大回归系数可能比小p值更能预测因果链接
机器学习
2020-09-03 v2 机器学习
应用统计
摘要
在本文中，我们描述了在2019年神经信息处理系统大会（NeurIPS）的Causality 4 Climate竞赛中获胜的从时间序列数据进行因果结构学习的算法。我们考察了我们所结合的既有思想如何在展现真实世界地球科学数据中常见挑战的半现实与现实主义时间序列数据上取得有竞争力的性能。特别地，我们讨论 a) 在非线性系统中利用线性方法识别因果链接的合理性，b) 一个由仿真支撑的解释，说明为何大回归系数在实践中可能比小p值更能预测因果链接，从而为何对数据进行归一化有时会阻碍因果结构学习。为基准测试之用，我们在此详述算法并在 https://github.com/sweichwald/tidybench 提供实现。我们提出所述经竞赛验证的方法作为基线基准比较，以指导从时间序列进行结构学习的新算法开发。
引用
@article{arxiv.2002.09573,
title = {Causal structure learning from time series: Large regression coefficients may predict causal links better in practice than small p-values},
author = {Sebastian Weichwald and Martin E Jakobsen and Phillip B Mogensen and Lasse Petersen and Nikolaj Thams and Gherardo Varando},
journal= {arXiv preprint arXiv:2002.09573},
year = {2020}
}