动态网络格兰杰因果分析中的协同与冗余

我们利用格兰杰因果性分析了从时间序列数据推断复杂网络子系统间信息流时的协同与冗余效应。虽然我们发现完全条件格兰杰因果性不受协同效应影响，但成对分析无法揭示协同效应。在样本数量较少导致完全条件方法不可行的情况下，我们表明若适当选择条件变量集，部分条件格兰杰因果性是一种有效方法。我们考虑了两种部分条件格兰杰因果性策略（一种基于候选驱动因子的信息内容，另一种基于选择具有最高成对影响的变量），并表明根据数据结构的不同，其中一种或另一种可能有效。另一方面，我们观察到完全条件方法在存在冗余时效果不佳，因此建议将成对链接分为两个子集：对应于完全条件格兰杰因果性间接连接的链接（应予以排除）以及可归因于冗余效应的链接；结合完全连接方法的结果，这两类链接能更好地描述存在冗余时的因果模式。最后，我们将这些方法应用于两个不同的真实数据集。首先，通过分析癫痫大脑的电生理数据，我们表明协同效应在癫痫发作前夕占主导地位。其次，我们对 HeLa 培养物基因表达时间序列的分析表明，潜在的调控网络特征同时包含冗余和协同。