学习多尺度非平稳因果结构
机器学习
2023-11-21 v2 统计方法学
机器学习
摘要
本文通过给出一种对随时间演化且发生于不同时间尺度的因果关系建模的方案，弥补了当前最先进技术的空白。具体而言，我们引入了多尺度非平稳有向无环图（MN-DAG），一种用于多变量时间序列数据建模的框架。我们的贡献有两点。首先，我们利用谱理论与因果理论的结果给出了一个概率生成模型。该模型允许用户依据指定的因果图时间依赖与多尺度性质的先验来采样MN-DAG。其次，我们设计了一种名为多尺度非平稳因果结构学习器（MN-CASTLE）的贝叶斯方法，使用随机变分推断来估计MN-DAG。该方法还利用了不同时间分辨率下时间序列间的局部偏相关信息。由MN-DAG生成的数据很好地复现了不同领域中时间序列的已知特征，如波动率聚集与序列相关。此外，我们在具有不同多尺度和非平稳性质的合成数据上展示了MN-CASTLE优于基线模型的表现。最后，我们应用MN-CASTLE识别美国市场中天然气价格驱动因素。在COVID-19暴发及俄罗斯入侵乌克兰期间因果关系增强，而这一事实是基线方法未能捕捉的。MN-CASTLE识别出了关键经济驱动因素对天然气价格的因果影响，如季节性因素、经济不确定性、油价和天然气储量偏差。
引用
@article{arxiv.2208.14989,
title = {Learning Multiscale Non-stationary Causal Structures},
author = {Gabriele D'Acunto and Gianmarco De Francisci Morales and Paolo Bajardi and Francesco Bonchi},
journal= {arXiv preprint arXiv:2208.14989},
year = {2023}
}