.png){kind=icon}
返回
Nonlinear permuted Granger causality
.png){kind=icon}
PRE
AI
DOI：10.1002/cjs.70056.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
格兰杰因果性是一种公认但存在争议的方法，旨在通过关联和先验性寻求因果时间联系。尽管并非真正的因果推断，但它有助于绘制可能值得进一步研究的信息流网络。对非线性数据的适应性仍然具有挑战性，且没有单一方法像线性格兰杰因果性的向量自回归形式那样被广泛接受。人工神经网络的全局逼近能力绕过了函数指定，但许多研究将这些工具与样本内推断程序配对。这些方案未能进行可靠的推断。本文定义了置换格兰杰因果性，这是一种易于进行样本外测试的方法，并倡导将其用作纠正现有文献中不平衡问题的简单方法。该方法简单，在模拟和真实数据中识别因果联系方面显示出前景，并显著提高了对格兰杰因果联系中假阳性结果的控制。格兰杰因果性是一种公认但存在争议的方法，旨在通过关联和先验性寻求因果时间联系。尽管并非真正的因果推断，但它有助于绘制可能值得进一步研究的信息流网络。对非线性数据的适应性仍然具有挑战性，且没有单一方法像线性格兰杰因果性的向量自回归形式那样被广泛接受。人工神经网络的全局逼近能力绕过了函数指定，但许多研究将这些工具与样本内推断程序配对。这些方案未能进行可靠的推断。本文定义了置换格兰杰因果性，这是一种易于进行样本外测试的方法，并倡导将其用作纠正现有文献中不平衡问题的简单方法。该方法简单，在模拟和真实数据中识别因果联系方面显示出前景，并显著提高了对格兰杰因果联系中假阳性结果的控制。
Keyword:
Functional connectivity
neural networks
permutation testing
time series
期刊
C
IF:
1
论文数:
30
被引数:
0
机构
引用论文
暂无论文信息