Identifizierung kausaler Modelle für multivariate Zeitreihen

从理论上讲，研究是一种图形化的时代模式，而动态的行为模式则是由图形化的多变量组成的。Derartige Modelle bieten sich zur Analyse der kausalen Zusammenhänge zwischen den Variablen an，da die zugehörigen Graphen Aussagen über Abhängigkeiten in beliebigen Untermodellen erlauben und damit eine Identifizierung scheinbarer Kaiseritäten，hervorgerufen durch gemeinsse latent Variablen，ermöglichen.在这里，我们将看到GrangerKaesität的Begriff，以及Ursache和Wirkung的一个时代的Anordnung。这就是说，最好的图形化方法是在具有潜在变量的模型上进行结构化，并在数据的基础上进行验证，以识别出潜在的变量。因此，我们将制定和实施新的有效的Schätzmethoden和Modellwahlverfahren项目。在模拟和数据处理中采用的方法是韦尔登。

Gegenstand dieses Forschungsvorhabens sind graphische Zeitreihenmodelle, die die dynamischen Beziehungen zwischen den Komponenten multivariater Zeitreihen mit Hilfe gemischter Graphen beschreiben. Derartige Modelle bieten sich zur Analyse der kausalen Zusammenhänge zwischen den Variablen an, da die zugehörigen Graphen Aussagen über Abhängigkeiten in beliebigen Untermodellen erlauben und damit eine Identifizierung scheinbarer Kausalitäten, hervorgerufen durch gemeinsame Einflüsse latenter Variablen, ermöglichen. Hierbei wird der Begriff der GrangerKausalität verwendet, der auf einer zeitlichen Anordnung von Ursache und Wirkung beruht. Ziel des Projekts ist es, die bestehenden graphischen Darstellungen kausaler Strukturen auf Modellen mit latenten Variablen zu erweitern und geeignete datenbasierte Verfahren zu ihrer Identifizierung zu entwickeln. Hierbei wird die Entwicklung und Implementierung neuer effizienter Schätzmethoden und Modellwahlverfahren einen wesentlichen Teil des Projekts ausmachen. Die entwickelten Methoden sollen in Simulationen und Datenbeispielen ausgetestet werden.