在自相关非线性时间序列数据集中发现同期的与滞后的因果关系

Jakob Runge

在自相关非线性时间序列数据集中发现同期的与滞后的因果关系

统计方法学 2022-01-07 v2 机器学习机器学习

作者: Jakob Runge

摘要

本文介绍了一种新颖的基于条件独立（CI）的方法，用于在因果充分情形下从观测时间序列中发现线性与非线性、滞后与同期的因果关系。现有的基于CI的方法（如PC算法）以及其他框架中的常用方法，在面对强自相关时召回率低且存在部分虚高假阳性，而强自相关是时间序列中普遍存在的挑战。该新颖方法 PCMCI $^+$ 扩展了 PCMCI [Runge et al., 2019b]，以纳入同期链接的发现。PCMCI $^+$ 通过优化条件集的选择来提高CI检验的可靠性，甚至受益于自相关。该方法在 oracle 情形下具有顺序无关性与一致性。大量数值实验表明，与其他方法相比，PCMCI $^+$ 具有更高的邻接检测能力，尤其是更高的同期方向召回率，同时更好地控制假阳性。优化的条件集也使得运行时间远短于PC算法。PCMCI $^+$ 在许多真实世界应用场景中颇有用处，这些场景往往时间分辨率过粗而无法分辨时间延迟且存在强自相关。

关键词

因果发现时间序列条件独立自相关 PCMCI$^+$ 同期链接非线性

引用

@article{arxiv.2003.03685,
  title  = {Discovering contemporaneous and lagged causal relations in autocorrelated nonlinear time series datasets},
  author = {Jakob Runge},
  journal= {arXiv preprint arXiv:2003.03685},
  year   = {2022}
}

备注

45 pages, published in the Proceedings of the 36 th Conference on Uncertainty in Artificial Intelligence (UAI), PMLR volume 124, 2020

在自相关非线性时间序列数据集中发现同期的与滞后的因果关系

摘要

关键词

引用

备注

相关论文