論文の概要: Variable-lag Granger Causality and Transfer Entropy for Time Series Analysis

• arxiv url: http://arxiv.org/abs/2002.00208v3
• Date: Mon, 1 Jun 2020 09:24:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-05 00:56:22.041958
• Title: Variable-lag Granger Causality and Transfer Entropy for Time Series Analysis
• Title（参考訳）: 時系列解析のための可変グレンジャー因果関係と伝達エントロピー
• Authors: Chainarong Amornbunchornvej, Elena Zheleva, and Tanya Berger-Wolf
• Abstract要約: 固定時間遅延の仮定を緩和する可変ラグ・グランガー因果関係と可変ラグ・トランスファー・エントロピーを開発する。 提案手法では,動的時間ワープ(DTW)の最適ワープパスを用いて,変動ラグ因果関係を推定する。 我々の手法は時系列解析のあらゆる領域に適用できる。
• 参考スコア（独自算出の注目度）: 7.627597166844701
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Granger causality is a fundamental technique for causal inference in time series data, commonly used in the social and biological sciences. Typical operationalizations of Granger causality make a strong assumption that every time point of the effect time series is influenced by a combination of other time series with a fixed time delay. The assumption of fixed time delay also exists in Transfer Entropy, which is considered to be a non-linear version of Granger causality. However, the assumption of the fixed time delay does not hold in many applications, such as collective behavior, financial markets, and many natural phenomena. To address this issue, we develop Variable-lag Granger causality and Variable-lag Transfer Entropy, generalizations of both Granger causality and Transfer Entropy that relax the assumption of the fixed time delay and allow causes to influence effects with arbitrary time delays. In addition, we propose methods for inferring both variable-lag Granger causality and Transfer Entropy relations. In our approaches, we utilize an optimal warping path of Dynamic Time Warping (DTW) to infer variable-lag causal relations. We demonstrate our approaches on an application for studying coordinated collective behavior and other real-world casual-inference datasets and show that our proposed approaches perform better than several existing methods in both simulated and real-world datasets. Our approaches can be applied in any domain of time series analysis. The software of this work is available in the R-CRAN package: VLTimeCausality.
• Abstract（参考訳）: グランガー因果関係(Granger causality)は、時系列データにおける因果推論の基本的な技法であり、社会科学や生物科学で一般的に用いられる。 グランガー因果関係の典型的な運用化は、エフェクト時系列のすべての時点が、他の時系列と固定時間遅延の組み合わせに影響されることを強く仮定する。 固定時間遅延の仮定は転送エントロピーにも存在し、これはグランジャー因果関係の非線形バージョンと考えられている。 しかし、固定時間遅延の仮定は、集団行動、金融市場、多くの自然現象など、多くの応用において成立しない。 この問題に対処するため,一定時間遅延の仮定を緩和し,任意の時間遅延による影響を生じさせるような,可変ラグの因果関係と可変ラグの移動エントロピー,およびグランガーの因果関係と移動エントロピーの一般化を開発した。 さらに,パラメータラグの因果関係と転送エントロピーの関係を推定する手法を提案する。 提案手法では,動的時間ワープ(DTW)の最適整合経路を用いて変動ラグ因果関係を推定する。 我々は,協調した集合行動やその他の実世界のカジュアル推論データセットを研究するアプリケーションに対するアプローチを実証し,提案手法がシミュレーションと実世界の両方のデータセットにおいて,既存の手法よりも優れていることを示す。 我々の手法は時系列解析のあらゆる領域に適用できる。 この作業のソフトウェアは、R-CRANパッケージ、VLTimeCausalityで利用可能である。

関連論文リスト

• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための生成変換器Timer-XLを提案する。 Timer-XLは、統一されたアプローチにより、挑戦的な予測ベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• Robust Predictions with Ambiguous Time Delays: A Bootstrap Strategy [5.71557730775514]
  Time Series Model Bootstrap (TSMB) は、時系列モデリングにおいて潜在的に変動または非決定論的な時間遅延を処理するために設計された汎用的なフレームワークである。 TSMBはトレーニングされたモデルの性能を大幅に向上させ、このフレームワークを使って予測する。
  論文  参考訳（メタデータ） (2024-08-23T02:38:20Z)
• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• Towards Understanding the Generalizability of Delayed Stochastic Gradient Descent [63.43247232708004]
  非同期で実行される勾配降下は、大規模機械学習モデルのトレーニングにおいて重要な役割を果たす。 既存の一般化誤差境界は悲観的であり、非同期遅延と一般化の相関を明らかにすることはできない。 我々の理論的結果は、非同期遅延は遅延SGDアルゴリズムの一般化誤差を低減することを示唆している。
  論文  参考訳（メタデータ） (2023-08-18T10:00:27Z)
• Hawkes Processes with Delayed Granger Causality [9.664517084506718]
  多変量ホークスプロセスに基づく遅延グランガー因果効果を明示的にモデル化する。 時間ラグの後方分布を推測し、この分布が様々なシナリオでどのように変化するかを理解する。 我々は,合成データと実データに基づいて,我々のモデルの事象予測と時間ラグ推定精度を実証的に評価した。
  論文  参考訳（メタデータ） (2023-08-11T12:43:43Z)
• Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
  データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。 階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
  論文  参考訳（メタデータ） (2023-05-11T10:30:35Z)
• Generic Temporal Reasoning with Differential Analysis and Explanation [61.96034987217583]
  時間差分解析でギャップを埋めるTODAYという新しいタスクを導入する。 TODAYは、システムがインクリメンタルな変化の効果を正しく理解できるかどうかを評価する。 共同学習においてTODAYの指導スタイルと説明アノテーションが有効であることを示す。
  論文  参考訳（メタデータ） (2022-12-20T17:40:03Z)
• Jacobian Granger Causal Neural Networks for Analysis of Stationary and Nonstationary Data [19.347558051611827]
  本稿では,変数重要度尺度としてヤコビアンを用いた神経ネットワークによるグランガー因果性へのアプローチを提案する。 結果として得られるアプローチは、グランガー因果変数を識別する他のアプローチと比較して一貫してうまく機能する。
  論文  参考訳（メタデータ） (2022-05-19T14:07:54Z)
• Causal Inference in Non-linear Time-series using Deep Networks and Knockoff Counterfactuals [8.56007054019834]
  変数の非線形結合は、原因と効果の関係を不正確に推定する主な課題の1つである。 本稿では,非線型因果関係を推定するために,DeepAR(Deep Autoregressive Network)を反実解析と併用することを提案する。
  論文  参考訳（メタデータ） (2021-09-22T16:07:27Z)
• Dynamic Window-level Granger Causality of Multi-channel Time Series [28.302491046127443]
  マルチチャネル時系列データに対する動的ウィンドウレベルグランガー因果関係法(DWGC)を提案する。 本稿では,DWGC法における因果索引付け手法を提案する。
  論文  参考訳（メタデータ） (2020-06-14T03:53:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。