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
- 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) - Continuous-time convolutions model of event sequences [53.36665135225617]
イベントシーケンスデータの巨大なサンプルは、eコマース、ヘルスケア、ファイナンスなど、さまざまなドメインで発生します。
利用可能なデータの量とクライアント毎のイベントシーケンスの長さは典型的には大きいため、長期的なモデリングが必要である。
時間内の事象の一様発生に適した連続畳み込みニューラルネットワークに基づくCOTIC法を提案する。
論文 参考訳(メタデータ) (2023-02-13T10:34:51Z) - Generative Time Series Forecasting with Diffusion, Denoise, and
Disentanglement [51.55157852647306]
時系列予測は多くのアプリケーションにおいて非常に重要な課題である。
実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。
本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
論文 参考訳(メタデータ) (2023-01-08T12:20:46Z) - 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) - Deep Recurrent Modelling of Granger Causality with Latent Confounding [0.0]
本稿では,非線形なGranger因果関係をモデル化するためのディープラーニングに基づくアプローチを提案する。
我々は,非線形時系列におけるモデル性能を実演し,その要因と効果を異なる時間ラグで示す。
論文 参考訳(メタデータ) (2022-02-23T03:26:22Z) - 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) - Consistency of mechanistic causal discovery in continuous-time using
Neural ODEs [85.7910042199734]
ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。
本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-05-06T08:48:02Z) - 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。