.png){kind=icon}
Return
Nonlinear permuted Granger causality
.png){kind=icon}
PRE
AI
DOI：10.1002/cjs.70056.png)
.png){kind=icon}
Original request for help.png){kind=icon}
Share.png){kind=icon}
Save
Abstract
En 中文
Granger causality is an established, contentious method that seeks causal temporal connections via association and precedence. While not true causal inference, it assists in mapping networks of information flow that may warrant further study. Adaptation to nonlinear data remains challenging, and no single method is widely accepted like the vector autoregressive form for linear Granger causality. The universal approximator ability of artificial neural networks circumvents function specification, but many works pair these tools with in-sample inferential procedures. These schemes fall short of conducting reliable inference. This article defines permuted Granger causality, a method that lends itself to out-of-sample testing, and advocates for its use as a simple fix to correct the imbalance in existing literature. The methodology is simple, shows promise in identification of causal connections in simulated and real-world data, and vastly improves control for false positive Granger causal connections. La causalit & eacute; de Granger est une m & eacute;thode reconnue mais controvers & eacute;e, qui cherche & agrave; mettre en & eacute;vidence des liens causaux temporels par le biais de l'association et de l'ant & eacute;riorit & eacute;. Sans constituer une v & eacute;ritable inf & eacute;rence causale, elle contribue & agrave; cartographier des r & eacute;seaux de flux d'information qui peuvent justifier des & eacute;tudes ult & eacute;rieures. L'adaptation aux donn & eacute;es non lin & eacute;aires demeure difficile, et aucune m & eacute;thode ne s'y impose avec un consensus comparable & agrave; celui dont jouit la forme vectorielle autor & eacute;gressive dans le cas lin & eacute;aire. La capacit & eacute; d'approximation universelle des r & eacute;seaux de neurones artificiels permet de s'affranchir de la sp & eacute;cification d'une forme fonctionnelle, mais de nombreux travaux associent ces outils & agrave; des proc & eacute;dures inf & eacute;rentielles intra-& eacute;chantillon. Ces approches s'av & egrave;rent insuffisantes pour mener une inf & eacute;rence fiable. Le pr & eacute;sent travail d & eacute;finit la causalit & eacute; de Granger permut & eacute;e, m & eacute;thode qui se pr & ecirc;te au test hors & eacute;chantillon, et pr & eacute;conise son emploi comme correctif simple au d & eacute;s & eacute;quilibre observ & eacute; dans la litt & eacute;rature existante. La m & eacute;thodologie est simple, s'av & egrave;re prometteuse pour identifier des liens causaux dans des donn & eacute;es tant simul & eacute;es que r & eacute;elles, et am & eacute;liore consid & eacute;rablement le contr & ocirc;le des faux positifs parmi les liens causaux de Granger.
Keywords:
Functional connectivity
neural networks
permutation testing
time series
Journal
C
IF:
1
Papers:
30
Citations:
0
Organization
Cited Papers
No cited papers available