Consistent Causal Inference from Time Series with PC Algorithm and its Time-Aware Extension
时间序列中 PC 算法及其时间感知扩展的一致性因果推断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：摘要直接研究因果图发现算法在平稳多元时间序列及特定时间序列模型中的一致性，因此对应因果推断和时间序列。
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
时间序列中 PC 算法及其时间感知扩展的一致性因果推断
- 研究问题
- PC 算法在独立同分布样本下的一致性，能否扩展到同分布但相互依赖的多元观测，特别是平稳时间序列？
- 方法与思路
- 作者在涉及 ρ 混合的时间序列假设下分析 PC 算法，并研究向量自回归移动平均、线性过程及时间感知 PC 扩展。
- 材料陈述的贡献
- 摘要称，作者证明了上述依赖样本情形中 PC 算法及时间感知扩展的一致性，并以模拟和基准真实数据分析支持结果。
- 阅读关注点
- 应核对混合条件、条件独立检验要求和一致性目标，特别是输出对应完整因果图还是等价类，以及时间信息如何用于定向。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未完整列明识别与混合假设，不能将一致性推广到任意依赖过程。
原文摘要
The estimator of a causal directed acyclic graph (DAG) with the PC algorithm is known to be consistent based on independent and identically distributed samples. In this paper, we consider the scenario when the multivariate samples are identically distributed but not independent. A common example is a stationary multivariate time series. We show that under a standard set of assumptions on the underlying time series involving $ρ$-mixing, the PC algorithm is consistent in this dependent sample scenario. Further, we show that for the popular time series models such as vector auto-regressive moving average and linear processes, consistency of the PC algorithm holds. We also prove the consistency for the Time-Aware PC algorithm, a recent adaptation of the PC algorithm for the time series scenario. Our findings are supported by simulations and benchmark real data analyses provided towards the end of the paper.