从观测时间序列中重构依赖于机制的因果关系
统计方法学
2020-12-02 v1 最优化与控制
摘要
在实验干预不可行或不合伦理的科学与工程领域中，从观测时间序列数据推断因果关系是一个关键问题。过去几十年数据可用性的增加催生了大量因果发现方法，各自应对这一困难任务中的特定挑战。本文关注时间序列因果发现核心的一个重要挑战：依赖于机制的因果关系。动态系统常表现出取决于某种（通常持续的）未观测背景机制的转变，且不同机制可能呈现不同的因果关系。此处我们假设一个持续且离散的机制变量，导致有限个机制，在每个机制内可假设平稳的因果关系。为检测依赖于机制的因果关系，我们将基于条件独立的PCMCI方法与机制学习优化方法相结合。PCMCI支持线性和非线性、高维时间序列因果发现。我们的方法Regime-PCMCI在若干数值实验中得到评估，表明其能区分具有不同因果方向、时滞、效应及因果链接符号的机制，以及变量自相关的变化。此外，Regime-PCMCI被应用于厄尔尼诺南方涛动与印度降雨量的观测，证明了其在真实世界数据集上的能力。
引用
@article{arxiv.2007.00267,
title = {Reconstructing regime-dependent causal relationships from observational time series},
author = {Elena Saggioro and Jana de Wiljes and Marlene Kretschmer and Jakob Runge},
journal= {arXiv preprint arXiv:2007.00267},
year = {2020}
}