Ancestor regression in structural vector autoregressive models
结构向量自回归模型中的祖先回归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：摘要明确以线性结构向量自回归和时间序列因果发现为研究对象，直接对应 VAR 与时间序列两个方法方向。
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…
结构向量自回归模型中的祖先回归
- 研究问题
- 如何把原用于独立观测的因果发现思路推广到线性结构向量自回归，并在时间序列环境中控制错误因果发现？
- 方法与思路
- 作者提出适用于线性结构 VAR 的祖先回归方法，将时间方向作为可能因果机制的背景知识，并在多个真实双变量序列上应用。
- 材料陈述的贡献
- 摘要称，该推广保留至少渐近意义下的错误因果发现控制；真实序列中的发现多数符合通常认识，并讨论纳入其他背景知识的可能性。
- 阅读关注点
- 应核对结构 VAR 的识别假设、祖先关系如何定义和检验，以及错误控制的对象、范围和时间依赖下的渐近条件。
- 阅读边界
- 依据 arXiv 预印本摘要，不能确认同行评审或期刊接收；摘要未说明完整识别条件和误差控制形式，符合常识不等于因果验证。
原文摘要
We present a new method for causal discovery in linear structural vector autoregressive models. We adapt an idea designed for independent observations to the case of time series while retaining its favorable properties, i.e., explicit error control for false causal discovery, at least asymptotically. We apply our method to several real-world bivariate time series datasets and discuss its findings which mostly agree with common understanding. The arrow of time in a model can be interpreted as background knowledge on possible causal mechanisms. Hence, our ideas could be extended to incorporating different background knowledge, even for independent observations.