VARX Granger Analysis: Modeling, Inference, and Applications
VARX 格兰杰分析：建模、推断与应用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：摘要核心是带外生输入的向量自回归、滞后动态与格兰杰统计分析。
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…
VARX 格兰杰分析：建模、推断与应用
- 研究问题
- 复杂系统同时受内部动态与外部因素影响时，如何区分二者的滞后作用，并解释含外生输入的 VARX 与格兰杰分析的联系？
- 方法与思路
- 作者以 VARX 建模内部和外部变量的延迟交互，提供方程、代码及多领域案例，并引入 L2 正则化与基函数处理数据和长延迟。
- 材料陈述的贡献
- 摘要称，该框架可通过纳入外部影响减少虚假相关、形成更简约的动态解释，并考察模型假设被违反时的表现。
- 阅读关注点
- 应核对外生输入的含义、格兰杰检验的零假设与推断程序、延迟和正则化选择，以及假设违反实验覆盖了哪些情形。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明完整外生性条件，格兰杰统计关系不能单独保证干预意义的因果效应。
原文摘要
Complex systems, such as brains, markets, and societies, exhibit internal dynamics influenced by external factors. Disentangling delayed external effects from internal dynamics within these systems is often challenging. We propose using a Vector Autoregressive model with eXogenous input (VARX) to capture delayed interactions between internal and external variables. While this model aligns with Granger's statistical formalism for testing "causal relations", the connection between the two is not widely understood. Here, we bridge this gap by providing fundamental equations, user-friendly code, and demonstrations using simulated and real-world data from neuroscience, physiology, sociology, and economics. Our examples illustrate how the model avoids spurious correlation by factoring out external influences from internal dynamics, leading to more parsimonious explanations of the systems. We also provide methods for enhancing model efficiency, such as L2 regularization for limited data and basis functions to cope with extended delays. Additionally, we analyze model performance under various scenarios where model assumptions are violated. MATLAB, Python, and R code are provided for easy adoption: https://github.com/lcparra/varx