Causality Analysis with Information Geometry: A Comparison.
Causality Analysis with Information Geometry: A Comparison.
复制标题
与信息几何形状的因果分析：比较。
DOI：
10.3390/e25050806
复制
发表时间：
2023-05-16
期刊：
影响因子：
2.7
通讯作者：
He, Fei
中科院分区：
文献类型：
--
作者：
Choong, Heng Jie;Kim, Eun-jin;He, Fei
关键词：
因果关系的量化对于理解自然界和实验室中的各种重要现象至关重要，例如大脑网络、环境动力学和病理学。测量因果关系的两种最广泛使用的方法是格兰杰因果关系（GC）和传递熵（TE），它们依赖于测量基于较早时间对另一个过程的知识对一个过程的预测的改进。然而，它们也有自己的局限性，例如，在非线性、非平稳数据或非参数模型的应用中。在这项研究中，我们提出了一种替代方法，通过信息几何来量化因果关系，克服了这种限制。具体来说，基于测量时间依赖分布的变化率的信息速率，我们开发了一种称为信息速率因果关系的无模型方法，该方法捕获了基于由另一个过程引起的一个过程的分布变化的因果关系的发生。这种测量方法适用于分析数值生成的非平稳、非线性数据。后者是通过模拟不同类型的离散自回归模型产生的，这些模型包含单向和双向时间序列信号中的线性和非线性相互作用。我们的研究结果表明，在本文探讨的几个例子中，信息率因果关系比GC和TE更能捕捉线性和非线性数据的耦合。
The quantification of causality is vital for understanding various important phenomena in nature and laboratories, such as brain networks, environmental dynamics, and pathologies. The two most widely used methods for measuring causality are Granger Causality (GC) and Transfer Entropy (TE), which rely on measuring the improvement in the prediction of one process based on the knowledge of another process at an earlier time. However, they have their own limitations, e.g., in applications to nonlinear, non-stationary data, or non-parametric models. In this study, we propose an alternative approach to quantify causality through information geometry that overcomes such limitations. Specifically, based on the information rate that measures the rate of change of the time-dependent distribution, we develop a model-free approach called information rate causality that captures the occurrence of the causality based on the change in the distribution of one process caused by another. This measurement is suitable for analyzing numerically generated non-stationary, nonlinear data. The latter are generated by simulating different types of discrete autoregressive models which contain linear and nonlinear interactions in unidirectional and bidirectional time-series signals. Our results show that information rate causalitycan capture the coupling of both linear and nonlinear data better than GC and TE in the several examples explored in the paper.
登录
查看更多内容
DOI：
10.3390/e23111393
发表时间：
2021-10-24
期刊：
Entropy (Basel, Switzerland)
影响因子：
--
作者：
Kim EJ
通讯作者：
Kim EJ
影响因子：
3.9
作者：
Danks, David;Davis, Isaac
通讯作者：
Davis, Isaac
影响因子：
3.7
作者：
GEWEKE, JF
通讯作者：
GEWEKE, JF
影响因子：
3.3
作者：
He F;Yang Y
通讯作者：
Yang Y
DOI：
10.1002/widm.1449
发表时间：
2022-01-19
影响因子：
7.8
作者：
Nogueira, Ana Rita;Pugnana, Andrea;Gama, Joao
通讯作者：
Gama, Joao