Re-examining Granger Causality with Causal Bayesian Networks and Reichenbachs Principles
用因果贝叶斯网络与赖欣巴赫原则重新审视格兰杰因果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：摘要围绕时间序列格兰杰检验及其因果图解释展开，直接涉及时间序列和因果推断，未讨论 VAR 冲击识别。
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
用因果贝叶斯网络与赖欣巴赫原则重新审视格兰杰因果
- 研究问题
- 如何借助因果图解释双变量与多变量格兰杰检验，使时间预测关系在明确条件下获得更可靠的因果含义？
- 方法与思路
- 作者结合边际与条件历史依赖检验构造 c-GC，并以更丰富的条件集形成 c-GC*，在合成系统和多类数据上验证。
- 材料陈述的贡献
- 摘要称该框架明确格兰杰式推断的因果解释边界，并在延迟、循环、双向关系及非线性噪声系统中恢复合理结构。
- 阅读关注点
- 应核对因果图假设、相关历史与扩展条件集的选取，尤其检查未测共同原因、碰撞点条件化和模型误设的处理。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未经核实；摘要未列出图假设及误差指标，合理结构的恢复不等于普遍识别保证。
原文摘要
Granger causality (GC) is widely used to infer directed relationships in time-series data. However, its predictive criterion does not by itself distinguish direct causal effects from dependencies induced by common causes, indirect paths, collider conditioning, or model misspecification. We revisit this limitation by interpreting bivariate and multivariate GC through causal Bayesian networks and Reichenbachs common cause principles. Under explicit graphical assumptions, bivariate GC provides a marginal dependence check, while multivariate GC tests whether the same association persists after conditioning on relevant histories. This view motivates causalised Granger causality (c-GC), which combines the two decisions, and c-GC*, a more conservative variant with a richer conditioning set. We validate both methods on synthetic dynamical systems, established time-series causal discovery benchmarks, Sachs protein-signalling data, and Lorenz-96 simulations. The results show that the proposed criteria recover plausible causal structure in settings with delayed effects, cycles, bidirectional links, and nonlinear or noisy dynamics. The framework clarifies how GC-style inference can be given a causal interpretation without treating temporal prediction alone as sufficient evidence of causation.