Causal Inference from Slowly Varying Nonstationary Processes

要約

制限構造因果モデル (SCM) フレームワークに従った観察データからの因果推論は、非ガウス性や非線形性などのデータ生成メカニズムによる原因と結果の間の非対称性に大きく依存します。
この方法論は定常時系列に適用できますが、非定常時系列から因果関係を推測することは依然として困難な作業です。
この研究では、時変フィルターと定常ノイズを介した新しいクラスの制限付き SCM を提案し、二変量設定とネットワーク設定の両方での因果関係の特定に非定常性からの非対称性を利用します。
私たちは、ゆっくりと変化するプロセスの二変量進化スペクトルの強力な推定を活用することにより、効率的な手順を提案します。
高次の非滑らかなフィルターを含むさまざまな合成データセットと実際のデータセットが評価され、提案された方法論の有効性が実証されます。

要約(オリジナル)

Causal inference from observational data following the restricted structural causal models (SCM) framework hinges largely on the asymmetry between cause and effect from the data generating mechanisms, such as non-Gaussianity or non-linearity. This methodology can be adapted to stationary time series, yet inferring causal relationships from nonstationary time series remains a challenging task. In this work, we propose a new class of restricted SCM, via a time-varying filter and stationary noise, and exploit the asymmetry from nonstationarity for causal identification in both bivariate and network settings. We propose efficient procedures by leveraging powerful estimates of the bivariate evolutionary spectra for slowly varying processes. Various synthetic and real datasets that involve high-order and non-smooth filters are evaluated to demonstrate the effectiveness of our proposed methodology.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google