Nonlinear Permuted Granger Causality
非线性置换 Granger 因果分析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：摘要明确研究非线性时间序列中的 Granger 预测关系及样本外比较。
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
非线性置换 Granger 因果分析
- 研究问题
- 如何在非线性时间序列中通过样本外预测比较衡量 Granger 关系，减少仅使用样本内检验所带来的过拟合疑虑？
- 方法与思路
- 作者通过协变量集合的置换定义功能连接度量，以人工神经网络提取非线性特征，并研究各置换下方差的一致估计。
- 材料陈述的贡献
- 摘要称在特征化过程和残差满足一定条件时方差估计一致，并以模拟比较多种替代方法，应用于大鼠听觉皮层神经响应。
- 阅读关注点
- 应核对置换方式是否保留所需时间依赖、样本外评估设计、方差一致性条件，以及功能连接度量与原始 Granger 定义的关系。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收未核实。摘要未列出具体理论条件，所发现的预测关系不能直接解释为干预因果关系。
原文摘要
Granger causal inference is a contentious but widespread method used in fields ranging from economics to neuroscience. The original definition addresses the notion of causality in time series by establishing functional dependence conditional on a specified model. Adaptation of Granger causality to nonlinear data remains challenging, and many methods apply in-sample tests that do not incorporate out-of-sample predictability, leading to concerns of model overfitting. To allow for out-of-sample comparison, a measure of functional connectivity is explicitly defined using permutations of the covariate set. Artificial neural networks serve as featurizers of the data to approximate any arbitrary, nonlinear relationship, and consistent estimation of the variance for each permutation is shown under certain conditions on the featurization process and the model residuals. Performance of the permutation method is compared to penalized variable selection, naive replacement, and omission techniques via simulation, and it is applied to neuronal responses of acoustic stimuli in the auditory cortex of anesthetized rats. Targeted use of the Granger causal framework, when prior knowledge of the causal mechanisms in a dataset are limited, can help to reveal potential predictive relationships between sets of variables that warrant further study.