Conditional Independence Testing in Time Series
时间序列中的条件独立检验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：摘要围绕时间序列历史信息、滞后结构与 Granger 检验展开，核心是非线性动态依赖检验，因此归入时间序列方向。
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…
关注这篇论文的作者
时间序列中的条件独立检验
- 研究问题
- 如何检验给定结果与混杂变量的历史后，未来结果是否仍依赖暴露历史，同时减少线性 VAR 设定错误对检验的影响？
- 方法与思路
- 作者用非线性回归分别残差化结果与暴露，以残差协方差构造 GTCM，并加入方差权重及基于多项式滞后展开的自适应检验。
- 材料陈述的贡献
- 摘要称，在条件均值估计达到所需速度时可控制第一类错误；进一步满足回归稳定性和弱依赖条件时，可使用全样本而不拆分。
- 阅读关注点
- 应核对回归误差的速率条件、时间依赖与稳定性要求，以及残差协方差检验能检测哪些条件依赖和局部备择。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明完整条件，Granger 预测关系也不能直接解释为干预因果效应。
原文摘要
We consider the problem of testing Granger causality in time series, specifically, whether the future outcome $Y_{t+1}$ and the exposure history $\bar X_t$ are conditionally independent given the history of $\bar Y_t$ and a set of confounding variables $\bar Z_t$ up to time $t$. This testing procedure distinguishes true causal effects from associations driven by common external processes, supporting reliable decision-makings in applications such as finance, neuroscience, and climate science. While traditional approaches assume a linear vector autoregressive (VAR) model and are vulnerable to misspecification, we instead address a model-free version of the problem. We propose nonlinearly regressing both the outcome and exposure on the joint history of $Y$ and $Z$, and calculating a test statistic based on the sample covariance of residuals, we call the Generalised Temporal Covariance Measure (GTCM). To account for heteroscedasticity and improve power against local alternatives, we incorporate variance weights and employ a data-adaptive test based on polynomial lag expansions.The type I error control of the test relies on the relatively weak assumption that user-chosen regression procedures estimate conditional means at a sufficiently fast rate that is slow enough to accommodate nonparametric settings. By further assuming stability of the regression procedures and weak dependence in the time series, we can utilise the entire dataset to estimate the conditional means without splitting the time series into subsets.