Causality indices for bivariate time series data: a comparative review of performance
双变量时间序列因果性指标：性能比较综述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：摘要比较双变量时间序列的传递熵与Granger类指标，未说明干预效应识别框架，故归入时间序列。
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…
双变量时间序列因果性指标：性能比较综述
- 研究问题
- 在非线性且不对称的动态关系中，常见双变量因果性指标如何表现，其结论对数据变换与观测缺陷是否稳健？
- 方法与思路
- 作者在四类不同耦合结构的模拟系统中比较十种指标，并考察标准化、缩放、舍入、缺失、噪声及数据可用性。
- 材料陈述的贡献
- 摘要称部分指标对现实数据变换并不保持不变，推荐传递熵与非线性Granger因果性，并提供开放Python实现。
- 阅读关注点
- 应核对模拟中真实耦合与因果性的定义、十种指标的调参和比较标准，以及缺失与噪声实验是否贴近目标应用。
- 阅读边界
- 这是arXiv预印本，同行评审与期刊接收未核实；动态因果性指标不自动识别干预效应，稳健性建议限于所测系统。
原文摘要
Inferring nonlinear and asymmetric causal relationships between multivariate longitudinal data is a challenging task with wide-ranging application areas including clinical medicine, mathematical biology, economics and environmental research. A number of methods for inferring causal relationships within complex dynamic and stochastic systems have been proposed but there is not a unified consistent definition of causality in this context. We evaluate the performance of ten prominent bivariate causality indices for time series data, across four simulated model systems that have different coupling schemes and characteristics. In further experiments, we show that these methods may not always be invariant to real-world relevant transformations (data availability, standardisation and scaling, rounding error, missing data and noisy data). We recommend transfer entropy and nonlinear Granger causality as likely to be particularly robust indices for estimating bivariate causal relationships in real-world applications. Finally, we provide flexible open-access Python code for computation of these methods and for the model simulations.