基于多元时间序列数据学习局部有向无环图
应用统计
2013-12-03 v1
摘要
多元时间序列 (MTS) 数据（如基因组学中的时间过程基因表达数据）常被收集用于研究系统的动态性质。这些数据提供了关于一组随机变量之间因果依赖关系的重要信息。在本文中，我们介绍了一种计算高效的算法，用于基于 MTS 数据学习有向无环图 (DAGs)，重点在于学习给定目标变量的局部结构。我们的算法基于迭代学习所有父节点 (P)、所有子节点 (C) 和部分后代节点 (D) (PCD)，并利用变量的时间顺序来确定边的方向。该时间序列 PCD-PCD 算法 (tsPCD-PCD) 将先前的 PCD-PCD 算法扩展至依赖观测值，并利用复合似然比检验 (CLRTs) 进行条件独立性检验。我们展示了 CLRT 统计量的渐近分布，并表明当忠实性条件成立且检验正确拒绝零假设时，tsPCD-PCD 保证能恢复真实的 DAG 结构。模拟研究表明，即使样本量较小，CLRTs 也是有效的且表现良好。此外，tsPCD-PCD 算法在恢复局部图结构方面优于 PCD-PCD 算法。我们通过分析与小鼠 T 细胞激活相关的时间过程基因表达数据来说明该算法。
引用
@article{arxiv.1312.0390,
title = {Learning local directed acyclic graphs based on multivariate time series data},
author = {Wanlu Deng and Zhi Geng and Hongzhe Li},
journal= {arXiv preprint arXiv:1312.0390},
year = {2013}
}
备注
Published in at http://dx.doi.org/10.1214/13-AOAS635 the Annals of Applied Statistics (http://www.imstat.org/aoas/) by the Institute of Mathematical Statistics (http://www.imstat.org)