非平稳时间序列中用于改进因果分析的状态识别
应用统计
2024-05-07 v1
摘要
来自真实世界系统的时间序列数据通常表现出非平稳行为，表明其统计特性随时间变化。这种固有的变异性给解读数据中潜在的结构关系带来了重大挑战，尤其是在相关性和因果分析、模型稳定性等方面。识别多变量时间序列数据中具有相对稳定行为和长期一致统计特性的不同片段或状态变得至关重要。在本研究中，我们将状态识别（RegID）技术应用于多变量时间序列，该技术从根本上旨在揭示数据中的局部平稳片段。我们使用黎曼空间中的协方差矩阵来识别不同状态之间的区分特征。我们旨在强调状态识别如何有助于从多变量非平稳时间序列数据中发现因果结构。我们的实验涵盖了合成数据集和真实世界数据集，突出了按状态进行时间序列因果分析的有效性。我们首先通过使用已知真实因果关系的合成数据来展示改进的因果结构发现，从而验证我们的方法。随后，我们将此方法应用于气候-生态系统数据集，展示了其在真实场景中的适用性。
引用
@article{arxiv.2405.02315,
title = {Regime Identification for Improving Causal Analysis in Non-stationary Timeseries},
author = {Wasim Ahmad and Maha Shadaydeh and Joachim Denzler},
journal= {arXiv preprint arXiv:2405.02315},
year = {2024}
}