Testing for Causal Influence using a Partial Coherence Statistic
利用偏相干统计量检验因果影响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：摘要研究时间或空间信号序列的偏相干检验，直接支持时间序列归类，但不足以确认潜在结果意义的因果识别。
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
利用偏相干统计量检验因果影响
- 研究问题
- 如何将一个信号序列对另一个序列的因果影响问题，与偏相干联系起来，并构造具有可用零假设分布的尺度不变检验？
- 方法与思路
- 作者建立因果问题与偏相干之间的联系，从协方差矩阵或其逆矩阵计算统计量，将其表示为似然比并研究零假设分布。
- 材料陈述的贡献
- 摘要称该统计量的零假设分布为 Wilks Lambda，并以数值实验展示应用；作者强调方法无需指定因果生成模型。
- 阅读关注点
- 应核对文中因果影响的具体定义、偏相干对应因果判断的条件、零分布推导所需假设，以及时间或空间依赖如何处理。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未说明因果识别条件，“无需生成模型”不能单独保证干预效应识别。
原文摘要
In this paper we explore partial coherence as a tool for evaluating causal influence of one signal sequence on another. In some cases the signal sequence is sampled from a time- or space-series. The key idea is to establish a connection between questions of causality and questions of partial coherence. Once this connection is established, then a scale-invariant partial coherence statistic is used to resolve the question of causality. This coherence statistic is shown to be a likelihood ratio, and its null distribution is shown to be a Wilks Lambda. It may be computed from a composite covariance matrix or from its inverse, the information matrix. Numerical experiments demonstrate the application of partial coherence to the resolution of causality. Importantly, the method is model-free, depending on no generative model for causality.