Quadro di Scoperta Causale per Serie Temporali Non Stazionarie
Un nuovo approccio per scoprire relazioni causali in serie temporali multivariate è stato sviluppato per affrontare problemi legati alla non stazionarietà e all'autocorrelazione. Denominato Scoperta Causale basata sulla Decomposizione (DCD), questa tecnica scompone ogni serie temporale nelle sue componenti di tendenza, stagionale e residua. I test di stazionarietà vengono utilizzati per le componenti di tendenza, le misure di dipendenza basate sul kernel per le componenti stagionali e la scoperta causale basata su vincoli per le componenti residue. Successivamente, i grafi a livello di componente vengono fusi in un quadro causale multiscala coeso. Questo metodo distingue efficacemente tra influenze causali a lungo e breve raggio, minimizzando le connessioni false. I risultati sono disponibili su arXiv con l'identificatore 2602.01433.
Fatti principali
- 1. Il framework DCD separa le serie temporali in componenti di tendenza, stagionali e residue.
- 2. Le componenti di tendenza sono valutate utilizzando test di stazionarietà.
- 3. Le componenti stagionali sono analizzate con misure di dipendenza basate sul kernel.
- 4. Le componenti residue sono analizzate con scoperta causale basata su vincoli.
- 5. I grafi a livello di componente sono integrati in una struttura causale multiscala unificata.
- 6. Il metodo affronta la non stazionarietà e l'autocorrelazione in serie temporali multivariate.
- 7. Pubblicato su arXiv con l'identificatore 2602.01433.
- 8. Applicabile ai settori della finanza, delle scienze climatiche e della sanità.
Entità
Istituzioni
- arXiv