Dissecting Spectral Granger Causality through Partial Information Decomposition
通过部分信息分解剖析频域格兰杰因果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：摘要直接研究多元时间序列的频域格兰杰因果和状态空间模型，生理网络应用不足以归入微观网络与干扰。
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
通过部分信息分解剖析频域格兰杰因果
- 研究问题
- 多元时间序列中的方向性信息流，如何区分单个驱动过程的独有贡献、多个过程的冗余贡献与协同贡献？
- 方法与思路
- 作者将部分信息分解用于多元格兰杰因果，基于频域状态空间模型计算特定频带的分解，再通过全频带积分获得时域结果。
- 材料陈述的贡献
- 摘要称所提分解在基准模拟中反映底层机制且计算可靠，并在生理信号应用中揭示患者与健康对照的应激反应差异。
- 阅读关注点
- 应核对独有、冗余与协同分量的定义及可识别性，频域分解与积分的关系，以及生理应用中的模型设定。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未说明结构因果解释所需条件或分解的具体限制。
原文摘要
Granger causality (GC), a popular statistical method for the inference of directional influences between time series measured from a complex network, is sensitive to high-order (non-pairwise) interactions which fundamentally shape the collective network dynamics. This work introduces Partial Decomposition of Granger Causality (PDGC), a tool eliciting redundant and synergistic causal interactions in the pattern of information flow between the subsystems of physiological networks. The tool exploits the framework of partial information decomposition to dissect the multivariate GC from a set of driver random processes to a target process into unique effects carried exclusively by each driver, redundant effects carried identically by more drivers, and synergistic effects carried jointly by some drivers but not by any of them individually. Computation is based on multivariate state-space models expanded in the frequency domain to assess PDGC both in specific bands of physiological interest and in the time domain after whole-band integration. The validation on benchmark simulations demonstrates that the measures of unique, redundant, and synergistic GC reflect the underlying causal mechanisms and are computationally reliable. The application to arterial pressure, respiration, cerebral blood velocity and heart period variability reveals striking differences in the response to postural stress of patients prone to neurally-mediated syncope compared to healthy controls. The extraction of high-order causality patterns from the spectral GC favors dissecting the mechanisms of causal influence underlying multivariate interactions among oscillatory processes in many data-driven applications of network science.