基于路径签名面积的耦合时间序列因果发现

耦合动力系统在自然中频繁出现，但往往缺乏关于系统的额外领域知识而难以很好理解其因果结构。尤其在分析无法开展控制实验的动力系统观测时间序列数据（例如气候变量时间序列）时，确定各特征如何因果影响彼此可能颇具挑战。现有许多技术可从数据中恢复因果关系，如格兰杰因果、收敛交叉映射，以及PCMCI等因果图结构学习方法。路径签名及其关联的有符号面积为分析因果关联动力系统提供了新途径，特别是为算法化因果发现的无模型、数据驱动方法提供信息。在本文中，我们探索路径签名在因果发现中的使用，并提出应用置信序列来分析两变量间有符号面积量级的显著性。这些置信序列区域随采样长度增大而收敛，并且结合对时间序列时移版本间成对有符号面积的分析，可帮助识别滞后/先导因果关系的存在。该方法为定义两时间序列间存在因果链接的置信度提供了新方式，并最终可能提供用于假设检验以界定一个时间序列是否导致另一个的框架。