Causal information approach to partial conditioning in multivariate data sets.
Causal information approach to partial conditioning in multivariate data sets.
复制标题
DOI：
10.1155/2012/303601
复制
发表时间：
2012
影响因子：
--
通讯作者：
Stramaglia S
中科院分区：
文献类型：
--
作者：
Marinazzo D;Pellicoro M;Stramaglia S
在多变量数据集中，当评估一个时间序列对另一个时间序列的因果影响时，有必要考虑其他变量的条件效应。在存在许多变量和可能的样本数量减少的情况下，完全条件化可能导致计算和数值问题。在本文中，我们解决的问题，部分条件的一个有限的变量子集，在信息论的框架。所提出的方法进行了测试模拟数据集和颅内脑电图记录从癫痫受试者的一个例子。我们表明，在许多情况下，条件的一小部分变量，选择作为最翔实的驱动程序节点，导致结果非常接近与一个完整的多变量分析，甚至更好的存在下，少量的样本。在伤亡情况很少的情况下，这一点尤其重要。
When evaluating causal influence from one time series to another in a multivariate data set it is necessary to take into account the conditioning effect of the other variables. In the presence of many variables and possibly of a reduced number of samples, full conditioning can lead to computational and numerical problems. In this paper, we address the problem of partial conditioning to a limited subset of variables, in the framework of information theory. The proposed approach is tested on simulated data sets and on an example of intracranial EEG recording from an epileptic subject. We show that, in many instances, conditioning on a small number of variables, chosen as the most informative ones for the driver node, leads to results very close to those obtained with a fully multivariate analysis and even better in the presence of a small number of samples. This is particularly relevant when the pattern of causalities is sparse.
登录
查看更多内容
影响因子：
7.8
作者：
Seth, AK
通讯作者：
Seth, AK
影响因子：
2.4
作者：
Blinowska, KJ;Kus, R;Kaminski, M
通讯作者：
Kaminski, M
影响因子：
3.7
作者：
GEWEKE, JF
通讯作者：
GEWEKE, JF
影响因子：
8.6
作者：
Yu, Dongchuan;Righero, Marco;Kocarev, Ljupco
通讯作者：
Kocarev, Ljupco
影响因子：
3.8
作者：
Faes, Luca;Nollo, Giandomenico;Chon, Ki H.
通讯作者：
Chon, Ki H.