Granger Causality: A Review and Recent Advances
格兰杰因果：综述与近期进展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：摘要讨论时间序列的格兰杰因果，并明确涉及双变量 VAR 及其扩展。
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
格兰杰因果：综述与近期进展
- 研究问题
- 格兰杰因果用于推断时间序列间因果关系存在哪些争议，近期方法又如何应对高维、非线性、非高斯及混合频率观测？
- 方法与思路
- 作者先回顾早期定义、发展和因果解释争论，再讨论突破简单双变量 VAR 或成对关系分析局限的近期方法进展。
- 材料陈述的贡献
- 摘要称综述覆盖高维时间序列，以及非线性、非高斯、子抽样和混合频率情形，为理解早期方法的不足提供研究脉络。
- 阅读关注点
- 应核对预测意义上的格兰杰因果与干预因果的区别，并检查遗漏变量、采样频率和模型限制如何影响各类方法的解释。
- 阅读边界
- 所据为 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未列明具体方法与适用条件，也未声称解决全部因果争议。
原文摘要
Introduced more than a half century ago, Granger causality has become a popular tool for analyzing time series data in many application domains, from economics and finance to genomics and neuroscience. Despite this popularity, the validity of this notion for inferring causal relationships among time series has remained the topic of continuous debate. Moreover, while the original definition was general, limitations in computational tools have primarily limited the applications of Granger causality to simple bivariate vector auto-regressive processes or pairwise relationships among a set of variables. Starting with a review of early developments and debates, this paper discusses recent advances that address various shortcomings of the earlier approaches, from models for high-dimensional time series to more recent developments that account for nonlinear and non-Gaussian observations and allow for sub-sampled and mixed frequency time series.