High-dimensional network time series中的格兰格因果关系
应用统计
2025-05-06 v4 统计计算
统计方法学
摘要
我们发展了一种新方法，用于发现高维网络（HDN）中指定节点对之间的定向连接。为了准确识别此类指定目标的因果连接，必须妥善处理网络中所有其他节点的影响。本文提出的程序从估计网络中其他节点低维表示开始，利用（频域）谱动态主成分分析（sDPCA）。随后得到的得分可从感兴趣的节点中移除，从而消除HDN中其他节点的混杂效应。据此，即可在消除网络效应的节点之间进行因果相互作用分析。大量仿真实验已证明，这种方法是分析复杂时间序列网络中因果关系的有效工具。该方法还被证明可应用于多通道脑电网络（EEG）。
引用
@article{arxiv.2406.02360,
title = {Granger Causality in High-Dimensional Networks of Time Series},
author = {Sipan Aslan and Hernando Ombao},
journal= {arXiv preprint arXiv:2406.02360},
year = {2025}
}