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。
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：摘要明确研究高维时间序列，并将有向图识别对应到结构 VAR，以石油供给冲击对经济的影响为应用。
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
- 如何在可能高维的时间序列中同时识别过程动态与变量间的条件因果关系，并避免直接估计数据的边际分布？
- 方法与思路
- 作者用高斯 copula 描述时间序列动态，在稀疏条件下识别动态参数和有向无环图，该图对应变换后变量的结构 VAR。
- 材料陈述的贡献
- 摘要称方法可一致识别动态参数及条件因果关系，且无需估计边际分布，并以石油供给冲击和订单簿聚合变量作示例。
- 阅读关注点
- 应核对图方向可识别所需的额外限制、copula 与稀疏性条件，以及变换后结构 VAR 的因果解释如何对应原始变量。
- 阅读边界
- 仅据所给 OpenAlex 摘要；因果方向识别条件、遗漏变量处理及实证数值未说明，不能仅凭稀疏性认定因果关系已被识别。
原文摘要
A methodology for high-dimensional causal inference in a time series context is introduced. Time series dynamics are captured by a Gaussian copula, and estimation of the marginal distribution of the data is not required. The procedure can consistently identify the parameters that describe the dynamics of the process and the conditional causal relations among the possibly high-dimensional variables, under sparsity conditions. Identification of the causal relations is in the form of a directed acyclic graph, which is equivalent to identifying the structural VAR model for the transformed variables. 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 for four stock constituents of the S&P500.