CEDAR: Causal Edge Discovery for Autoregressive Processes
CEDAR：自回归过程中的因果边发现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：摘要明确研究自回归时间序列中的滞后因果边，并以条件独立检验进行因果发现，因此对应时间序列与因果推断方向。
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
CEDAR：自回归过程中的因果边发现
- 研究问题
- 在数据较少、变量具有一阶自身动态的稀疏自回归系统中，如何以较少的条件独立检验发现可解释的跨变量滞后因果边？
- 方法与思路
- 作者先以一阶自回归残差化后的距离相关筛选滞后，再实施定向条件独立检验和 MCI 剪枝，每个有序变量对至多保留一个滞后。
- 材料陈述的贡献
- 摘要称稀疏筛选后条件独立检验数量可达 O(d²)，并提供趋势调整；同时指出大样本、高阶动态或多滞后情形更适合其他方法。
- 阅读关注点
- 应核对因果边解释所需假设、筛选与剪枝的误差控制、趋势节点的构造，以及每对变量仅保留一个滞后造成的适用限制。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未给出完整识别条件，检验数量也不能直接等同于整体运行复杂度。
原文摘要
We propose CEDAR (Causal Edge Discovery for Autoregressive Processes), a constraint-based method for lagged causal edge discovery in sparse autoregressive time series. CEDAR screens candidate cross-variable lags using AR(1)-residualized, U-centered distance correlation, then applies two targeted conditional-independence tests per significant cross-variable lag candidate and accepts at most one lag per ordered pair. A stable MCI pruning step removes indirect edges, and optional deterministic C-nodes adjust for specified trend-like nonstationarity. In sparse regimes where few lags survive screening, CEDAR requires $O(d^2)$ CI tests after screening while retaining edge-level interpretability. CEDAR is most effective when data are scarce and variables exhibit lag-1 self-dynamics; methods with richer conditioning sets become preferable as $T$ grows or when higher-order autoregressive or simultaneous multi-lag effects are common.