Granger Causality Detection via Sequential Hypothesis Testing
通过序贯假设检验检测 Granger 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：摘要研究 VAR 时间序列中的 Granger 关系检测与序贯检验。
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…
通过序贯假设检验检测 Granger 因果关系
- 研究问题
- 有限样本、欠采样和测量噪声影响时间序列关系检测时，如何序贯判断两条序列之间是否存在 Granger 因果关系？
- 方法与思路
- 作者以两序列 VAR 系数估计的范数构造二元假设检验，再研究系数的序贯估计并建立相应序贯检测程序。
- 材料陈述的贡献
- 摘要称方法将实际测量缺陷纳入检测问题，并通过详细模拟验证推导结果和评估所提出检测器的表现。
- 阅读关注点
- 应核对零假设、测量噪声模型、采样条件及停止规则，并检查序贯检验的错误率控制和检出延迟比较。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未给出检验条件和数值结果，Granger 关系本身不保证干预因果解释。
原文摘要
Most of the metrics used for detecting a causal relationship among multiple time series ignore the effects of practical measurement impairments, such as finite sample effects, undersampling and measurement noise. It has been shown that these effects significantly impair the performance of the underlying causality test. In this paper, we consider the problem of sequentially detecting the causal relationship between two time series while accounting for these measurement impairments. In this context, we first formulate the problem of Granger causality detection as a binary hypothesis test using the norm of the estimates of the vector auto-regressive~(VAR) coefficients of the two time series as the test statistic. Following this, we investigate sequential estimation of these coefficients and formulate a sequential test for detecting the causal relationship between two time series. Finally via detailed simulations, we validate our derived results, and evaluate the performance of the proposed causality detectors.