Multi-Band Variable-Lag Granger Causality: A Unified Framework for Causal Time Series Inference across Frequencies
多频带可变滞后格兰杰因果：跨频率时间序列推断框架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：摘要直接研究多频带时间序列、可变滞后及格兰杰关系，支持时间序列分类，但未明确采用 VAR 或局部投影。
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…
多频带可变滞后格兰杰因果：跨频率时间序列推断框架
- 研究问题
- 时间序列中的预测关联既随时间改变滞后，又在不同频带呈现不同延迟时，如何扩展可变滞后格兰杰分析？
- 方法与思路
- 作者形式化定义多频带可变滞后格兰杰因果，显式建模依频率变化的延迟，并提出推断流程进行合成和真实数据实验。
- 材料陈述的贡献
- 摘要称，该框架具有理论依据，在多个领域的实验中优于既有方法，并称代码和数据公开；具体比较结果未在摘要展开。
- 阅读关注点
- 应核对频带分解、延迟估计与格兰杰关系的定义，以及理论条件、统计校准、计算成本和实验基准的可比性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收未核实；摘要未说明理论条件或效果大小，格兰杰关系不直接等于干预因果效应。
原文摘要
Understanding causal relationships in time series is fundamental to many domains, including neuroscience, economics, and behavioral science. Granger causality is one of the well-known techniques for inferring causality in time series. Typically, Granger causality frameworks have a strong fix-lag assumption between cause and effect, which is often unrealistic in complex systems. While recent work on variable-lag Granger causality (VLGC) addresses this limitation by allowing a cause to influence an effect with different time lags at each time point, it fails to account for the fact that causal interactions may vary not only in time delay but also across frequency bands. For example, in brain signals, alpha-band activity may influence another region with a shorter delay than slower delta-band oscillations. In this work, we formalize Multi-Band Variable-Lag Granger Causality (MB-VLGC) and propose a novel framework that generalizes traditional VLGC by explicitly modeling frequency-dependent causal delays. We provide a formal definition of MB-VLGC, demonstrate its theoretical soundness, and propose an efficient inference pipeline. Extensive experiments across multiple domains demonstrate that our framework significantly outperforms existing methods on both synthetic and real-world datasets, confirming its broad applicability to any type of time series data. Code and datasets are publicly available.