Causal Lag Structure Discovery in Confounded Time Series via Orthogonalized Adaptive Estimation
通过正交化自适应估计发现存在混杂的时间序列因果滞后结构AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接讨论多元时间序列中的 VARX、滞后选择和滚动窗口定向关系估计。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
通过正交化自适应估计发现存在混杂的时间序列因果滞后结构
- 研究问题
- 多元时间序列存在非线性混杂和时变结构时，如何同时调整混杂、选择滞后阶数，并对定向关系的发现进行错误率控制？
- 方法与思路
- 作者提出 ORACLE-VARX：用 DML 调整混杂，以序贯检验选择滞后，再对系数进行检验和多重校正，并在滚动窗口中分析。
- 材料陈述的贡献
- 摘要称，窗口平均目标的去偏系数渐近正态；特定模拟显示滞后追踪与预测改进，并在美国行业 ETF 应用中得到因果图。
- 阅读关注点
- 应核对因果解释所需条件、窗口平均目标、时序依赖与滞后选择的处理，以及多重校正能否在这些步骤后实现所称控制。
- 阅读边界
- 这是 arXiv v1 预印本，不能据此声称已同行评审或期刊接收；摘要未说明完整因果识别及错误率控制条件，模拟数值不足以验证应用中的因果解释。
原文摘要
Finding which variables cause which others in multivariate time series, and at what lags, is central to science and policy, yet existing methods force a choice between flexible confounder adjustment, data-driven lag selection, and inference that controls the false discovery rate (FDR). ORACLE-VARX does all three in one pipeline. First, double/debiased machine learning (DML) removes nonlinear confounder effects from the outcomes and the lagged series. Second, adaptive causal lag estimation (ACLE) picks the lag order at each time step by sequential significance tests, tracking regime changes. Third, entry-wise $z$-tests with Benjamini--Hochberg correction select directed edges at a target FDR. We prove that in each rolling window, the debiased coefficients are asymptotically normal around a window-averaged target, so their $z$-tests are asymptotically valid. On a synthetic benchmark with time-varying structure and nonlinear confounding, ORACLE-VARX (LightGBM) tracks the true lag order best (RMSE $0.96$ vs $1.1$--$1.5$), has edge FDR $0.047$, close to PCMCI ($0.045$) and below VAR ($0.129$) and VAR-LiNGAM ($0.187$), and forecasts better than all three. On nine U.S. sector ETFs with macroeconomic confounders, it yields interpretable causal graphs whose lag order rises in high-volatility regimes.