摘要
哈尔·瓦里安(Hal R.Varian)。 2016.经济学和市场营销中的因果推断。 《美国国家科学院院刊》113,27(2016),7310–7315。 DOI(操作界面): http://dx.doi.org/10.1073/pnas.1510479113 谷歌学者 交叉引用 J.珀尔。 2000.因果关系:模型、推理和推断。 剑桥大学出版社。 谷歌学者 数字图书馆 彼得·斯皮特斯(Peter Spirtes)、克拉克·格雷摩尔(Clark Glymour)和理查德·斯钦斯(Richard Scheines)。 1993。因果充分结构的发现算法。 纽约州纽约州施普林格,103-162。 DOI(操作界面): http://dx.doi.org/10.1007/978-1-4612-2748-9_5 谷歌学者 克莱夫·W·J·格兰杰。 1969.通过计量经济学模型和交叉谱方法研究因果关系。 《计量经济学:计量经济学社会杂志》37,3(1969),424-438。 谷歌学者 交叉引用 Andrew Arnold、Yan Liu和Naoki Abe。 2007.使用图形Granger方法进行时间因果建模。 第13届ACM SIGKDD知识发现和数据挖掘国际会议(KDD’07)论文集。 ACM,纽约州纽约市,66–75。 DOI(操作界面): http://dx.doi.org/10.1145/1281192.1281203 谷歌学者 数字图书馆 Jonas Peters、Dominik Janzing和Bernhard Schölkopf。 2017.因果推理的要素:基础和学习算法。 麻省理工学院出版社。 谷歌学者 数字图书馆 Yan Liu、Taha Bahadori和Hongfei Li.2012。 稀疏GEV:多元极值时间序列建模的稀疏潜在空间模型。 第29届机器学习国际会议论文集。 谷歌学者 埃尔达尔·阿图克伦。 2010年,F检验和施瓦兹标准之间的关系:格兰杰-考马斯检验的含义。 《经济学公报》30,1(2010),494–499。 谷歌学者 Jonas Peters、Dominik Janzing和Bernhard Schölkopf。 2013年,使用受限结构方程模型对时间序列进行因果推断。 神经信息处理系统进展论文集。 154–162. 谷歌学者 托马斯·施赖伯。 2000.测量信息传输。 《物理评论快报》85,2(2000),461。 谷歌学者 交叉引用 Joon Lee、Shamim Nemati、Ikaro Silva、Bradley A.Edwards、James P.Butler和Atul Malhotra。 2012.生物医学时间序列中的传递熵估计和方向耦合变化检测。 生物医学工程在线11,1(2012),19。 谷歌学者 交叉引用 莱昂内尔·巴内特(Lionel Barnett)、亚当·巴雷特(Adam B.Barrett)和安妮尔·塞思(Anil K.Seth)。 2009年。格兰杰因果关系和传递熵对于高斯变量是等价的。 《物理评论快报》103、23(2009年12月)、238701。 DOI(操作界面): http://dx.doi.org/10.1103/PhysRevLett.103.238701 谷歌学者 交叉引用 MATLAB中的Granger因果包。 检索自 https://www.mathworks.com/matlabcentral/fileexchange/25467-granger-causality-test。 谷歌学者 R中的Granger因果包检索自 https://www.rdocumentation.org/packages/MSBVAR/versions/0.9-2/topics/granger.test。 谷歌学者 Chainarong Amornbunchornvej、Ivan Brugere、Ariana Strandburg-Peshkin、Damien Farine、Margaret C.Crofoot和Tanya Y.Berger-Wolf。 2018.时间序列数据中的协调事件检测和发起人识别。 ACM《数据知识发现汇刊》12,5(2018),33页。 DOI(操作界面): http://dx.doi.org/10.1145/3201406 谷歌学者 酒井裕久(Hiroaki Sakoe)和千叶精华(Seibi Chiba)。 1978年。语音识别的动态规划算法优化。 IEEE声学、语音和信号处理汇刊26,1(1978),43–49。 谷歌学者 交叉引用 陶远、李刚、张朝晖和秦圣乔。 2016年,利用多级格兰杰因果分析对工厂范围内的波动进行深层因果挖掘。 在2016年美国控制会议(ACC’16)的会议记录中。 IEEE,5056–5061。 谷歌学者 魏鹏、孙童、菲利普·罗斯和李涛,2007年。 具有迭代学习方法的半自动系统,用于发现业务流程中的领先指标。 《2007年领域驱动数据挖掘国际研讨会论文集》(DDDM’07)。 ACM,纽约,纽约,33-42。 DOI(操作界面): http://dx.doi.org/10.1145/1288552.1288557 谷歌学者 数字图书馆 艾米·斯利娃(Amy Sliva)、斯科特·尼尔·赖利(Scott Neal Reilly)、兰迪·卡斯特文斯(Randy Casstevens)和约翰·张伯伦(John Chamberlain)。 2015.验证社会科学模型中因果和预测主张的工具。 Procedia Manufacturing 3(2015),3925–3932。 https://doi.org/10.1016/j.promfg.2015.07.920 谷歌学者 交叉引用 涩谷隆志、原田达也和久义。 因果量化及其应用:多元时间序列的结构和建模。 第15届ACM SIGKDD知识发现和数据挖掘国际会议论文集。 ACM公司。 谷歌学者 数字图书馆 C.J.Quinn、N.Kiyavash和T.P.Coleman。 2015年,定向信息图。 IEEE信息理论汇刊61,12(2015年12月),6887–6909。 DOI(操作界面): http://dx.doi.org/10.109/TIT.2015.2478440 谷歌学者 数字图书馆 Akane Iseki、Y.Mukuta、Y.Ushiki和T.Harada。 2019.根据部分观察到的时间序列估计因果关系。 2019年AAAI人工智能会议记录。 谷歌学者 孙友强、李久镛、刘继雪、周杰伦、孙冰玉和王如静。 2015.在多元数值时间序列中使用因果发现进行特征选择。 机器学习101,1(2015年10月),377-395。 DOI(操作界面): http://dx.doi.org/10.1007/s10994-014-5460-1 谷歌学者 数字图书馆 Patrick Schwab、Djordje Miladinovic和Walter Karlen。 2019.Granger因果注意专家混合:用神经网络学习重要特征。 2019年AAAI人工智能会议记录。 谷歌学者 数字图书馆 Dominik Janzing和Bernhard Scholkopf。 2010年。使用算法马尔可夫条件进行因果推断。 IEEE信息理论汇刊56,10(2010),5168–5194。 谷歌学者 数字图书馆 Bernhard Schölkopf、Dominik Janzing、Jonas Peters、Eleni Sguritsa、Kun Zhang和Joris Mooij。 2012年,关于因果和反阅读学习。 2012年机器学习国际会议论文集。 谷歌学者 Naji Shajarisales、Dominik Janzing、Bernhard Schölkopf和Michel Besserve。 2015.从确定性线性动力系统中的效果中找出原因。 2015年机器学习国际会议论文集。 285–294. 谷歌学者 丹尼尔·马林斯基和彼得·斯皮特斯。 2018年。在未测量混杂因素的情况下,从多元时间序列中学习因果结构。 2018年ACM SIGKDD因果发现研讨会论文集。 23–47. 谷歌学者 嗜热菌格里维奥·比利昂和本·卡尔德黑德。 2019.用于因果图过程的具有自动稀疏性选择的高效结构学习。 arXiv预印本arXiv:1906.04479(2019)。 谷歌学者 迈克尔·艾希勒(Michael Eichler)。 2013.多时间序列因果推断:原理和问题。 《皇家学会哲学学报A:数学、物理和工程科学》3711997(2013),20110613。 DOI(操作界面): http://dx.doi.org/10.1098/rsta.2011.0613 谷歌学者 交叉引用 Chainarong Amornbunchornvej、Elena Zheleva和Tanya Berger-Wolf。 2019.时间序列分析的变量-拉格-格兰杰因果关系。 2019年IEEE数据科学和高级分析国际会议(DSAA’19)论文集。 IEEE,21–30。 DOI(操作界面): http://dx.doi.org/10.109/DSAA.2019.00016 谷歌学者 交叉引用 劳伦斯·拉法洛维奇(Lawrence E.Raffalovich)、格伦·迪恩(Glenn D.Deane)、大卫·阿姆斯特朗(David Armstrong)和曹惠申(Hui-Shien Tsao)。 2008.社会研究中的模型选择程序:Monte-Carlo模拟结果。 《应用统计学杂志》35,10(2008),1093-1114。 谷歌学者 交叉引用 克莱夫·格兰杰(Clive Granger)和永义贞(Yongil Jeon)。 2004年,使用多个宏观系列预测信息标准的绩效。 《应用统计学杂志》31,10(2004),1227–1240。 谷歌学者 交叉引用 Elsa Siggiridou和Dimitris Kugiumtzis。 2016.使用时序限制向量自回归模型的多元时间序列中的格兰杰因果关系。 IEEE信号处理学报64,7(2016),1759–1773。 谷歌学者 数字图书馆 陈永红(Yonghong Chen)、戈文丹·兰加拉扬(Govindan Rangarajan)、冯建峰(Jianfeng Feng)和丁明州(Mingzhou Ding)。 2004。分析具有扩展Granger因果关系的多个非线性时间序列。 《物理快报》A 324,1(2004),26–35。 谷歌学者 交叉引用 伯纳德·夏泽尔。 2011.多智能体系统的总s能量。 SIAM控制与优化杂志49,4(2011),1680–1706。 DOI(操作界面): http://dx.doi.org/10.1137/100791671 谷歌学者 交叉引用 C.E.香农。 1948.传播的数学理论。 贝尔系统技术期刊27,3(1948年7月),379-423。 DOI(操作界面): http://dx.doi.org/10.1002/j.1538-7305.1948.tb01338.x 谷歌学者 交叉引用 Simon Behrendt、Thomas Dimpfl、Franziska J.Peter和David J.Zimmermann。 2019.RTransferEntropy——使用有效传递熵量化不同时间序列之间的信息流。 SoftwareX 10(2019),100265。 DOI(操作界面): http://dx.doi.org/10.1016/j.softx.2019.100265 谷歌学者 交叉引用 阿卜杜拉·穆恩和埃蒙·基奥。 2016.从动态时间扭曲中提取最佳性能。 第22届ACM SIGKDD知识发现和数据挖掘国际会议(KDD’16)论文集。 ACM,纽约州纽约市,邮编:2129-2130。 DOI(操作界面): http://dx.doi.org/10.1145/2939672.2945383 谷歌学者 数字图书馆 托尼·乔治诺。 2009.在R:The dtw包中计算和可视化动态时间扭曲对齐。 《统计软件杂志》31,7(2009),1–24。 谷歌学者 交叉引用 托马斯·丁普夫(Thomas Dimpfl)和弗兰齐斯卡·朱莉娅·彼得(Franziska Julia Peter)。 2013.使用传递熵测量金融市场之间的信息流。 非线性动力学与计量经济学研究17,1(2013),85–102。 谷歌学者 交叉引用 阿里安娜·斯特兰伯格-佩什金(Ariana Strandburg-Peshkin)、科林·特沃米(Colin R.Twomey)、尼古拉·波德(Nikolai W.F.Bode)、阿尔伯特·B·高(Albert B.Kao)、耶尔·卡茨(Yael Katz)、克里斯托斯·埃阿诺(Christos C.Ioannou)、萨拉·罗森塔尔(Sara B.Rosenthal)、。 2013年。动物群体中的视觉感官网络和有效信息传递。 《当代生物学》23、17(2013),R709–R711。 https://doi.org/10.1016/j.cub.2013.07.059 谷歌学者 交叉引用 Margaret C.Crofoot、Roland W.Kays和Martin Wikelski。 2015年数据来源:共同决策推动野生狒狒的集体迁徙。 Movebank数据存储库。 数字对象标识码:10.5441/001/1.kn0816jn 谷歌学者 阿里亚娜·斯特兰伯格-佩什金、达米安·法林、伊恩·库赞和玛格丽特·克罗福特。 2015年,共同决策推动野生狒狒的集体行动。 《科学》3486241(2015),1358-1361。 谷歌学者 George E.P.Box、Gwilym M.Jenkins、Gregory C.Reinsel和Greta M.Ljung。 2015.时间序列分析:预测和控制。 约翰·威利父子公司。 谷歌学者 阿德尔奇·阿扎里尼和阿德里安·W·鲍曼。 1990年,查看老忠实间歇泉的一些数据。 《皇家统计学会杂志:C辑(应用统计学)》39,3(1990),357-365。 谷歌学者 交叉引用 伊蒙·基奥(Eamonn J.Keogh)和迈克尔·帕扎尼(Michael J.Pazzani)。 2001.导数动态时间扭曲。 2001年SIAM国际数据挖掘会议记录。 SIAM,1-11。 谷歌学者 邵胜佳、郭策、卢韦恩和斯蒂芬·韦斯顿。 2014.加速传递熵计算。 《2014年现场可编程技术国际会议论文集》(FPT’14)。 IEEE,60–67。 谷歌学者 交叉引用 Ioannis Kontoyiannis和Maria Skoularidou。 2016.估计定向信息并测试因果关系。 IEEE信息理论汇刊62,11(2016),6053–6067。 谷歌学者 数字图书馆 Chainarong Amornbunchornvej。 VLTimeSeriesCausality:用于时间序列中可变长度因果推断的R包。 2019年12月10日检索自 https://github.com/DarkEyes/VLTimeSeries因果关系。 谷歌学者 帕维尔·塞宁。 2008.动态时间扭曲算法综述。 夏威夷大学马诺亚·檀香山分校信息与计算机科学系855,1-23(2008),40。 谷歌学者 Stefan Widgren和Christopher Hulbert。 2019.rmatio:读写“Matlab”文件。 检索自 https://CRAN.R-project.org/package=rmatio R包版本0.14.0。 谷歌学者
建议
由散度定义的维纳因果关系 摘要 发现因果关系是研究复杂系统动力学的一项基本任务(Pearl in Stat Surv 3:96-1462009)。 像格兰杰因果关系或传递熵这样的传统方法无法捕捉所有的相互依赖性。。。