Resumen de modelo de inferencia causal
En un artículo recientemente leer:. Runge, J., Bathiany, S., Bollt, E., Camps-Valls, G., Coumou, D., Deyle, E., y ... Van Nes, EH (2019) causalidad Inferir Series de tiempo en el sistema de la Tierra de las ciencias. Nature Communications , 10 (1), 1-13. para el contenido del documento para cotejar y grabar su propia cosecha.
Nota: Soy un no Estadística Matemática / Informática / profesionales en el sector financiero, puede haber no menos rigurosa, y por lo tanto únicamente con fines informativos.
abstracto
El corazón de la empresa científica es un esfuerzo racional para entender las causas de los fenómenos que observamos. En los sistemas dinámicos complejos a gran escala, tales como el sistema de la Tierra, experimentos reales rara vez son factibles. Sin embargo, una cantidad cada vez mayor de los datos de observación y simulados se abre el uso de nuevos métodos causales basadas en datos más allá de las técnicas de correlación comúnmente adoptadas. A continuación, damos una visión general de los marcos de la inferencia causal e identificamos prometiendo genérica casos de aplicación común en las ciencias del sistema Tierra y más allá. Se discuten los retos e iniciar la causeme.net plataforma de referencia para cerrar la brecha entre las usuarias de métodos y desarrolladores.
El núcleo de la ciencia es tratar de entender la razón por la cual observamos detrás del fenómeno. En unos grandes y complejos sistemas de este tipo de energía, como el sistema de la Tierra, experimentos reales raramente factible. Sin embargo, un número cada vez mayor de datos de observación y modelización abre un nuevo método que usa una causalidad de los datos-conducido, más allá de la correlación método de uso común. A continuación, describimos el marco para la inferencia causal e identifica común en la ciencia del sistema terrestre y otras áreas de los casos de aplicación comunes. Se discuten los retos e iniciar el causeme.net plataforma de base, los métodos para reducir la brecha entre los usuarios y desarrolladores.
I. Resumen de método de inferencia causal
En él se describen cuatro tipos comunes de método de inferencia causal
1. causalidad de Granger
prueba de causalidad de Granger (Granger causal Relación de prueba) para el ganador del Premio Nobel de Economía 2003 Clive Granger (Clive WJ Granger) empezó a utilizarse para el análisis de causalidad de Granger entre las variables económicas. En el caso de series de tiempo, dos variables económicas X, causalidad de Granger entre la Y define como sigue: Si se incluye en las variables X, Y bajo la información de la condición del pasado, la predicción de la variable Y es mejor que sólo un único información del pasado para predecir el efecto de Y en Y llevó a cabo, que ayuda a explicar la variable X cambia la variable Y en el futuro, entonces esa variable X es causada por la variable Y Granger causa.
1.1 Las medidas específicas
ver: https: //blog.csdn.net/luciazxx/article/details/44224145
1.2 Limitaciones
prueba de causalidad de Granger como el modelo de prueba primero la causalidad (uno), ha sido ampliamente utilizado. Sin embargo, para la causalidad de Granger, existe una gran controversia. Por ejemplo, causalidad de Granger en el extremo no es verdad relación causal. Algunos estudios actuales sugieren que la prueba de causalidad de Granger a las dependencias entre las variables más justas de respuesta, duración de la llamada o la causalidad: líderes, retrasos, o simultáneamente, causal sentido estadístico, en lugar de verdadera lógica la relación causal [1]. Además, la prueba de causalidad de Granger tradicional no es aplicable a sistemas dinámicos no lineales, especialmente para algunos de los menos fuerte relación de acoplamiento no puede detectar con éxito [2].
1.3 Desarrollo
prueba de causalidad de Granger, hay un cierto desarrollo posterior, como prueba de causalidad de Granger no lineal múltiple. En comparación con la tradicional prueba de causalidad de Granger, con un alcance más amplio. En esto no expandida.
2. El método de espacio de estado no lineal
George Suhihara, que en 2012 publicó un artículo en Science "Detección de la causalidad en ecosistemas complejos" [3], que propone una reconstrucción de espacio de estado no lineal, utilizado principalmente para sistemas no lineales convergencia mapeo cruzado Método de análisis de la causalidad (Convergent Mapping Cross, CCM) [4].
Para conocer el método de CCM, primero tenemos que mirar algunos conocimientos básicos relacionados con el espacio de estados no lineal. Bueno, esto es una cuestión de una larga historia ...
En pocas palabras, en la forma de percibir el mundo, hay dos puntos de vista diferentes: teoría de la decisión y el efecto mariposa . Los primeros creen que todos los problemas pueden ser realidad con el teorema formulado, explica por método matemático y lógico y preciso de predecir el futuro, aunque este último no negó la teoría científica y la lógica, pero hizo hincapié en que no está claro el futuro incertidumbre e imprevisibilidad de percepción. Tal contradicción en el sistema después de un largo embrionaria prerrenacimiento y renacentista Shihai de la ciencia es sólo en el horizonte. Cuando la tecnología (especialmente la tecnología informática) continúa desarrollando, equipos de prueba y modo de prueba de escalada de capacidades de computación continúan mejorando, este conflicto se intensificó. Después de que el siglo 20, más y más sujetos comenzaron a abandonar el rígido determinismo, la teoría del caos llegó a existir. 70 años, los científicos han creado una teoría del caos , por sistema dinámico complejo no lineal (yo lo entiendo como un espacio de estados no lineal ) estudio de las necesidades prácticas, el caos pronto rompió a través de las ciencias naturales, se convirtió en casi todos La teoría de las disciplinas científicas guía práctica. La teoría del caos es un multi-acondicionado, sistemática, no lineal, el resultado de la búsqueda del proceso (en lugar de la búsqueda de la decisión final sobre la fórmula conclusión) basado en un gran número de computación evolutiva para obtener un determinado período en el que el sistema estado de pensamiento, lo que representa el modelo es el sistema de Lorenz . [5] (Más consulte el post original: https://www.jianshu.com/p/2e9d38466ab8)
El padre de la teoría del caos, el meteorólogo estadounidense Edward Lorenz estableció una puede mostrar el modelo más simple de la teoría del caos:
un modelo matemático en los cálculos por ordenador, nos encontraremos un fenómeno sorprendente - [X, Y, Z] la trayectoria mostrará una pista de esta manera:
como una mariposa, que es el efecto mariposa fuentes; hay dos punto central, como si la trayectoria continuará a ser atraídos a los dos puntos centrales, se convierten en atractores . La cifra es el hijo de Lorenz atraer visualización de imágenes.
2.1 El CCM idea básica
de nuevo al asunto, vamos a introducir la idea básica de la convergencia Crossmap algoritmo (CCM). En primer lugar, una breve introducción de dos conceptos.
Un concepto: atractores Manifold
en teoría de sistemas dinámicos, si el número de la variable de serie de tiempo es de acoplamiento dinámico, entonces topológicamente naturaleza, representante de la articulación de la d-dimensional (d ≤ E) en el espacio E-dimensional con el tiempo attractor cambio colector M (colector atractor).
Por ejemplo, X por la variable de temporización, Y, Z, sistema dinámico de Lorenz, que representa un espacio tridimensional en la succión como una subvariedad M. Tres ejes de coordenadas representan tres variables X, Y, Z. El cambio de sistema dinámico con trayectoria de tiempo (y [X, Y, Z] frente trayectoria tiempo), mostró la siguiente pista, es decir, sistema de Lorenz.
Dos conceptos: Shadow Manifold
ventaja de una histéresis de coordenadas variable X, la variable X puede ser reconstruida sombra colector MX. empatía Y. MX variable X puede ser visto como una proyección sobre el colector de M.
Principio:
la prueba CCM causalidad que, por la dinámica sub-variable de acoplamiento de aspiración M colector en el que X e Y, el MX y MY punto cerca de la proximidad del punto en el tiempo correspondiente a la. Por lo tanto, la identificación de la relación causal entre las variables X e Y, es, de hecho, para determinar el grado exacto de MX y MY en el tiempo correspondiente. Con la tradicional prueba de causalidad de Granger diferente, MCP no es mediante la estimación de la capacidad de "predicción X Y" para identificar la causa de Y si X es. Por el contrario, el método de MCP que, en los sistemas dinámicos no lineales, el proceso de respuesta debe contener todos los procesos de activación de la información, pero el proceso no puede ser el único predictor de proceso de respuesta se activa, por lo que la ventaja respuesta observada en el transcurso del proceso de observación disparado. Para las dos variables de series de tiempo X e Y, X se supone para desencadenar el proceso, Y es el proceso de respuesta, el MCP es en realidad estima estado X mediante el uso de valores históricos de Y, con el fin de identificar si X tiene impacto Y. Es decir, después de usar la serie temporal de las coordenadas X e Y de la sombra de histéresis reconstruida colector MX y MY, la idea central de CCM es confirmar si el punto cerca de la parte superior de mi puede identificar con precisión un punto cerca del MX. Si es así, entonces se puede decir que la razón por la variable X Y. [4]
2.2 Los pasos específicos
3. algoritmo de aprendizaje causal
redes bayesianas
4. La estructura de trama del modelo causal
Continuará
Referencias:
[1] Chenxiong Bing, Zhang Zongcheng entonces propuesto prueba Granger [D], 2008 ...
[2] Chen, Z., Xie, X., Cai, J., Chen, D., Gao, B. Él, B., ... y Xu , B. (2018) influencias meteorológicas entendimiento sobre concentraciones de PM 2,5 en toda china: .. una perspectiva temporal y espacial Atmospheric Chemistry and Physics, 18 (8), 5343.
[3] Sugihara, G ., May, R., Ye, H., Hsieh, CH, Deyle, E., Fogarty, M., y Munch, S. (2012). causalidad Detectando en ecosistemas complejos. ciencia, 338 (6106), 496- 500.
[4], el nombre de la lluvia y el trueno congestión del tráfico (2019) la causalidad y el smog contaminación eterno -.... basado en la experiencia de la convergencia de la tecnología de estudio estadístico Crossmap, 36 (10), 43-57
[ 5] Yahtar, el análisis de la teoría del caos, los libros de Jane, https: //www.jianshu.com/p/2e9d38466ab8
