Granger causality in the frequency domain: derivation and applications
频域格兰杰因果关系：推导与应用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：摘要研究时间序列的格兰杰预测关系及其时域、频域表示与估计。
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
频域格兰杰因果关系：推导与应用
- 研究问题
- 如何衡量一个时间序列的过去是否在另一序列自身历史之外提高预测能力，并将这种格兰杰关系分解或表达到频率域？
- 方法与思路
- 作者介绍两序列的格兰杰因果定义，推导时域与频域度量，使用频域非参数估计给出数值例子，并在附录讨论参数方法。
- 材料陈述的贡献
- 摘要称，文章面向非专业读者连接格兰杰关系的定义、推导和计算，讨论应用、局限及其他因果度量，并强调其预测性含义。
- 阅读关注点
- 应核对时域与频域表达的对应条件、非参数谱估计步骤，以及遗漏变量和模型设定如何影响预测关系及其解释。
- 阅读边界
- 这是预印本，同行评审或期刊接收未经核实。摘要未给出推导的完整条件；格兰杰关系可以没有物理作用机制，不能直接解释为干预效应。
原文摘要
Physicists are starting to work in areas where noisy signal analysis is required. In these fields, such as Economics, Neuroscience, and Physics, the notion of causality should be interpreted as a statistical measure. We introduce to the lay reader the Granger causality between two time series and illustrate ways of calculating it: a signal $X$ ``Granger-causes'' a signal $Y$ if the observation of the past of $X$ increases the predictability of the future of $Y$ when compared to the same prediction done with the past of $Y$ alone. In other words, for Granger causality between two quantities it suffices that information extracted from the past of one of them improves the forecast of the future of the other, even in the absence of any physical mechanism of interaction. We present derivations of the Granger causality measure in the time and frequency domains and give numerical examples using a non-parametric estimation method in the frequency domain. Parametric methods are addressed in the Appendix. We discuss the limitations and applications of this method and other alternatives to measure causality.