When are time series predictions causal? The potential system and dynamic causal effects
时间序列预测何时具有因果含义？潜在系统与动态因果效应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：摘要明确研究时间序列动态因果效应，并连接横截面因果方法、局部投影、脉冲响应和 SVAR。
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
时间序列预测何时具有因果含义？潜在系统与动态因果效应
- 研究问题
- 在存在其他特征变量时，如何定义改变某时点处理对未来结果的因果影响，并厘清时间序列预测方法的因果含义？
- 方法与思路
- 作者提出非参数时间序列的潜在系统模型，用于描述当前处理变化对未来结果的影响，并连接局部投影、脉冲响应及 SVAR。
- 材料陈述的贡献
- 摘要称该框架为多种时间序列方法赋予非参数因果内容，连接时间序列因果分析与横截面因果方法，并为新方法提供基础。
- 阅读关注点
- 应核对动态干预和因果效应的定义、特征变量的角色，以及回归、局部投影和 SVAR 获得因果解释分别需要哪些条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明识别条件，不能据此将一般时间序列预测直接解释为因果效应。
原文摘要
The potential system is a nonparametric time series model for assessing the causal impact of moving an assignment at time $t$ on an outcome at future time $t+h$, accounting for the presence of features. The potential system provides nonparametric content for, e.g., time series experiments, time series regression, local projection, impulse response functions and SVARs. It closes a gap between time series causality and nonparametric cross-sectional causal methods, and provides a foundation for many new methods which have causal content.