Causality in extremes of time series
时间序列极端事件中的因果关系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：摘要明确结合重尾平稳时间序列与极端事件因果方向识别，支持时间序列和因果推断分类。
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…
关注这篇论文的作者
时间序列极端事件中的因果关系
- 研究问题
- 对于边际分布具有重尾的两条平稳时间序列，如何发现主要在极端事件中显现的因果方向，并刻画两类极端事件之间的典型时间间隔？
- 方法与思路
- 作者提出从极端观测提取因果结构的框架，引入时间序列因果尾部系数，并通过模拟及空间天气、水文气象数据展示方法。
- 材料陈述的贡献
- 摘要称该系数在一定假设下可识别极端事件间非对称因果关系，能够处理非线性关系及潜变量，并可辅助估计事件时间差。
- 阅读关注点
- 应核对因果方向识别所需假设、潜变量可被处理的具体范围、尾部系数与估计阈值的定义，以及时间差估计和样本量要求。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出识别假设，不能将尾部非对称依赖直接视为普遍有效的因果证据。
原文摘要
Consider two stationary time series with heavy-tailed marginal distributions. We aim to detect whether they have a causal relation, that is, if a change in one causes a change in the other. Usual methods for causal discovery are not well suited if the causal mechanisms only appear during extreme events. We propose a framework to detect a causal structure from the extremes of time series, providing a new tool to extract causal information from extreme events. We introduce the causal tail coefficient for time series, which can identify asymmetrical causal relations between extreme events under certain assumptions. This method can handle nonlinear relations and latent variables. Moreover, we mention how our method can help estimate a typical time difference between extreme events. Our methodology is especially well suited for large sample sizes, and we show the performance on the simulations. Finally, we apply our method to real-world space-weather and hydro-meteorological datasets.