論文の概要: Beyond Coefficients: Forecast-Necessity Testing for Interpretable Causal Discovery in Nonlinear Time-Series Models

• arxiv url: http://arxiv.org/abs/2604.18751v1
• Date: Mon, 20 Apr 2026 18:55:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.437511
• Title: Beyond Coefficients: Forecast-Necessity Testing for Interpretable Causal Discovery in Nonlinear Time-Series Models
• Title（参考訳）: 係数を超えて:非線形時系列モデルにおける解釈可能な因果発見のための予測-必要試験
• Authors: Valentina Kuskova, Dmitry Zaytsev, Michael Coppedge,
• Abstract要約: 非線形時系列モデルにおける因果関係は、係数の規模よりも予測の必要性によって評価されるべきである。 類似の因果スコアとの関係は, 冗長性, 時間的持続性, および状態特異的な影響により, 予測上の必要性において劇的に異なることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Nonlinear machine-learning models are increasingly used to discover causal relationships in time-series data, yet the interpretation of their outputs remains poorly understood. In particular, causal scores produced by regularized neural autoregressive models are often treated as analogues of regression coefficients, leading to misleading claims of statistical significance. In this paper, we argue that causal relevance in nonlinear time-series models should be evaluated through forecast necessity rather than coefficient magnitude, and we present a practical evaluation procedure for doing so. We present an interpretable evaluation framework based on systematic edge ablation and forecast comparison, which tests whether a candidate causal relationship is required for accurate prediction. Using Neural Additive Vector Autoregression as a case study model, we apply this framework to a real-world case study of democratic development, modeled as a multivariate time series of panel data - democracy indicators across 139 countries. We show that relationships with similar causal scores can differ dramatically in their predictive necessity due to redundancy, temporal persistence, and regime-specific effects. Our results demonstrate how forecast-necessity testing supports more reliable causal reasoning in applied AI systems and provides practical guidance for interpreting nonlinear time-series models in high-stakes domains.
• Abstract（参考訳）: 非線形機械学習モデルは時系列データにおける因果関係の発見にますます利用されているが、そのアウトプットの解釈はいまだによく分かっていない。 特に、正規化された神経自己回帰モデルによって生成される因果スコアは、しばしば回帰係数の類似体として扱われ、統計的重要性の誤解を招く。 本稿では,非線形時系列モデルにおける因果関係は,係数の規模よりも予測の必要性によって評価されるべきであり,それを実現するための実用的な評価手法を提案する。 本稿では,系統的なエッジアブレーションと予測比較に基づく解釈可能な評価フレームワークを提案する。 ニューラル加算ベクトル自己回帰をケーススタディモデルとして用い, この枠組みを, 多変量時系列のパネルデータとしてモデル化した, 実世界の民主的発展のケーススタディに適用する。 類似の因果スコアとの関係は, 冗長性, 時間的持続性, および状態特異的な影響により, 予測上の必要性において劇的に異なることが示唆された。 本研究は,AI応用システムにおいて,予測必要性テストがより信頼性の高い因果推論をどのようにサポートするかを示すとともに,非線形時系列モデルを高精度領域で解釈するための実践的ガイダンスを提供する。

関連論文リスト

• Generating Causal Temporal Interaction Graphs for Counterfactual Validation of Temporal Link Prediction [7.925229590936017]
  因果的相互作用グラフ (CTIG) を, 既知の地絡因果構造と組み合わせて生成する。 因果モデルを比較するために,クロスモデル予測誤差に基づく距離メトリックを提案する。 私たちのフレームワークは因果ベンチマークの基礎を提供します。
  論文  参考訳（メタデータ） (2026-02-02T14:36:18Z)
• Relational Conformal Prediction for Correlated Time Series [56.59852921638328]
  時系列における不確実性定量化の問題を相関配列を利用して解決する。 共形予測フレームワークと量子レグレッションに基づく分布自由な新しい手法を提案する。 我々の手法は正確なカバレッジを提供し、関連するベンチマークで最先端の不確実性定量化を実現する。
  論文  参考訳（メタデータ） (2025-02-13T16:12:17Z)
• Learning Graph Structures and Uncertainty for Accurate and Calibrated Time-series Forecasting [65.40983982856056]
  本稿では,時系列間の相関を利用して時系列間の構造を学習し,精度の高い正確な予測を行うSTOICを紹介する。 幅広いベンチマークデータセットに対して、STOICは16%の精度とキャリブレーションのよい予測を提供する。
  論文  参考訳（メタデータ） (2024-07-02T20:14:32Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• Assessment of Spatio-Temporal Predictors in the Presence of Missing and Heterogeneous Data [23.280400290071732]
  ディープラーニングアプローチは、複雑さとスケールの増大にもかかわらず、現代的なデータのモデリングにおいて、卓越した予測性能を達成する。 予測モデルの品質を評価することは、従来の統計的仮定がもはや持たないため、より困難になる。 本稿では,時間的・時間的予測型ニューラルモデルの最適性を評価するための残差分析フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-03T12:55:08Z)
• Causality and Generalizability: Identifiability and Learning Methods [0.0]
  この論文は、因果効果の推定、因果構造学習、および分布的に堅牢な予測方法に関する研究領域に寄与する。 本稿では,データ依存平均二乗予測誤差正規化を用いた機器変数設定における線形・非線形因果関係推定器について述べる。 本稿では,介入誘起分布に関する分布ロバスト性に関する一般的な枠組みを提案する。
  論文  参考訳（メタデータ） (2021-10-04T13:12:11Z)
• Simultaneously Reconciled Quantile Forecasting of Hierarchically Related Time Series [11.004159006784977]
  本稿では,階層間の予測の整合性を維持するために,量子レグレッション損失を最適化するフレキシブル非線形モデルを提案する。 ここで導入された理論的枠組みは、下層の微分可微分損失関数を持つ任意の予測モデルに適用できる。
  論文  参考訳（メタデータ） (2021-02-25T00:59:01Z)
• Performance metrics for intervention-triggering prediction models do not reflect an expected reduction in outcomes from using the model [71.9860741092209]
  臨床研究者はしばしばリスク予測モデルの中から選択し評価する。 振り返りデータから算出される標準メトリクスは、特定の仮定の下でのみモデルユーティリティに関係します。 予測が時間を通して繰り返し配信される場合、標準メトリクスとユーティリティの関係はさらに複雑になる。
  論文  参考訳（メタデータ） (2020-06-02T16:26:49Z)

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。