Causal Discovery in Structural VAR Models Under Equal Noise Variance
等噪声方差假设下结构 VAR 模型的因果发现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：摘要直接研究结构 VAR 的时间序列观测等价与因果图恢复，对应 VAR、时间序列和因果推断。
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…
等噪声方差假设下结构 VAR 模型的因果发现
- 研究问题
- 在线性高斯结构 VAR 中，同时期作用可以成环时，等结构噪声方差能识别哪些因果信息，如何刻画多个模型共享同一观测过程的情形？
- 方法与思路
- 作者以正交变换和全局正尺度刻画观测等价类，构造观测对齐差异指标，再提出 ENVAR，在等价类内寻找稀疏的归一化结构代表。
- 材料陈述的贡献
- 摘要指出等噪声方差一般不足以点识别唯一因果图，并提供观测等价刻画、模型比较指标及稀疏搜索程序，配以模拟和 fMRI 应用。
- 阅读关注点
- 应核对平稳观测过程等价的定义、循环结构的限制、归一化和稀疏准则的作用，以及所选结构代表与可识别因果结论之间的区别。
- 阅读边界
- 所用版本为 arXiv 预印本，同行评审或期刊接收未核实；摘要未展开等价刻画的完整条件，稀疏代表不能直接视为唯一真实因果图。
原文摘要
Causal discovery from multivariate time series is challenging when causal effects may occur both across time and within the same sampling interval. This issue is especially important in applications such as neuroscience, where the sampling rate may be coarse relative to the underlying dynamics and contemporaneous effects need not form an acyclic graph. We study causal discovery in linear Gaussian structural VAR models under an equal noise variance assumption, meaning that the structural noise terms have a common variance. Unlike the DAG-based cross-sectional equal noise variance setting, the time-series setting considered here does not generally yield point identification of a unique causal graph. Instead, multiple structural VAR parameterizations can induce the same stationary observed process law. We introduce a notion of observational equivalence tailored to this setting and show that the corresponding equivalence class is characterized by orthogonal transformations of the structural equations together with a global positive scale. This characterization leads to an equivalence-aware model discrepancy, the observational alignment discrepancy, which compares structural models modulo transformations that preserve the observed law. Building on this theory, we propose ENVAR, a sparsity-based procedure that searches over the induced observational equivalence class for a sparse normalized structural representative. We evaluate the proposed methodology on synthetic structural VAR data and on an fMRI dataset.