基于LASSO的格兰杰因果可靠识别的非渐近保证
统计方法学
2023-07-19 v2 信息论
math.IT
摘要
格兰杰因果是广泛用于时间序列数据因果分析的数据驱动方法之一，在经济学、分子生物学与神经科学等多个领域有应用。该方法面临的两大挑战是：1) 由于数据时长有限导致的过拟合；2) 作为混杂因素的相关过程噪声，二者均会导致因果影响识别中的错误。通过LASSO的稀疏估计已成功应对了参数估计中的这些挑战。然而，经典的格兰杰因果统计检验诉诸普通最小二乘的渐近分析，其需要较长数据时长才有效，且不能避免混杂效应。本工作中，我们引入一种基于LASSO的统计量，并在真实模型容许稀疏自回归表示的假设下研究其非渐近性质，从而弥合上述脱节。我们建立了利用所提基于LASSO的统计量可靠识别格兰杰因果影响的基本极限。我们进一步刻画了用于识别格兰杰因果效应的简单阈值规则的错误发现概率与检验功效，并给出两种以数据驱动方式设定阈值的方法。我们呈现了仿真研究及对真实数据的应用，以比较所提方法与普通最小二乘及现有基于LASSO的方法在检测格兰杰因果影响上的性能，结果印证了我们的理论结论。
引用
@article{arxiv.2103.02774,
title = {Non-Asymptotic Guarantees for Reliable Identification of Granger Causality via the LASSO},
author = {Proloy Das and Behtash Babadi},
journal= {arXiv preprint arXiv:2103.02774},
year = {2023}
}