面向含潜混杂因子的自相关时间序列的高召回因果发现

我们提出了一种新方法，用于在存在潜混杂因子的情况下，从观测时间序列中进行线性与非线性、滞后与同期的基于约束的因果发现。我们指出，现有的因果发现方法（如 FCI 及其变体）在自相关时间序列情形下召回率较低，并将条件独立性检验效应量偏小确定为主要原因。信息论论证表明，若将因果父节点纳入条件集，效应量往往能够增大。为了尽早识别父节点，我们提出了一种迭代过程，利用新颖的方向规则在边移除阶段即确定祖先关系。我们证明了该方法具有顺序无关性，且在 oracle 情形下是可靠且完备的。针对不同变量数、时间滞后、样本量及其他情形的大量仿真研究表明，对于自相关连续变量，我们的方法确实在保持误报率于期望水平的同时，比现有方法实现了高得多的召回率。这一性能提升随自相关性增强而增大。我们在 https://github.com/jakobrunge/tigramite 提供了仿真研究中所有相关方法的 Python 代码。