从短时间序列中检索稀疏因果网络
统计方法学
2017-10-06 v2
摘要
我们研究如何有效地从短长度时间序列的分析中，检索出模拟多元线性过程的已知底层稀疏因果结构。因果关系通过条件转移熵进行量化，网络仅保留统计上显著的贡献来构建。我们比较了三种方法的结果：两种常用的正则化方法，Glasso 和岭回归，以及一种新引入的技术 LoGo，该技术基于信息过滤网络与图形建模的结合。对于这三种方法，我们探索了时间序列长度和模型参数的区域，在这些区域内可以检索到显著比例的真实因果链接。我们得出结论，当时间序列较短，其长度小于变量数量时，稀疏模型更适合揭示真实的因果链接，且 LoGo 比 Glasso 和岭回归更准确地检索出真实的因果网络。
引用
@article{arxiv.1706.01954,
title = {Sparse causality network retrieval from short time series},
author = {Tomaso Aste and T. Di Matteo},
journal= {arXiv preprint arXiv:1706.01954},
year = {2017}
}
备注
17 pages, 5 figures, 5 tables