Consistent Causal Inference for High-Dimensional Time Series
高维时间序列的一致因果推断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：摘要同时明确讨论因果图识别、高斯 VAR 动态结构和供给侧石油冲击应用。
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
高维时间序列的一致因果推断
- 研究问题
- 在高维、非高斯的时间序列中，如何在不估计边际分布的情况下识别动态参数及变量之间的条件因果关系？
- 方法与思路
- 作者假设数据经单调变换后服从高斯 VAR，即动态结构由高斯 copula 描述，并在稀疏条件下识别参数及因果有向无环图。
- 材料陈述的贡献
- 摘要称该方法能一致识别动态参数和条件因果关系，并以供给侧石油冲击及四只股票的限价订单簿聚合变量作示例。
- 阅读关注点
- 应核对单调变换和稀疏性条件、从动态依赖到因果图所需的额外假设，以及冲击应用中因果方向的识别依据。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未完整说明因果识别条件、维度增长限制及应用结果，不能将相关结构直接视为因果。
原文摘要
A methodology for high dimensional causal inference in a time series context is introduced. It is assumed that there is a monotonic transformation of the data such that the dynamics of the transformed variables are described by a Gaussian vector autoregressive process. This is tantamount to assume that the dynamics are captured by a Gaussian copula. No knowledge or estimation of the marginal distribution of the data is required. The procedure consistently identifies the parameters that describe the dynamics of the process and the conditional causal relations among the possibly high dimensional variables under sparsity conditions. The methodology allows us to identify such causal relations in the form of a directed acyclic graph. As illustrative applications we consider the impact of supply side oil shocks on the economy, and the causal relations between aggregated variables constructed from the limit order book on four stock constituents of the S&P500.