格兰杰因果关系（Granger causality）是以统计假设检验为基础的，这一观点认为因变量能够帮助目标变量进行预测。更具体地说，如果根据变量x和变量y的过去值的y的自回归模型比仅基于y的过去值的y的自回归模型有更准确的预测结果，那么变量x与变量y满足格兰杰因果关系。该过程中同样采用了BIC方式来迭代获取用于构建最优模型所需要的时间序列过去时刻的长度（lag）

格兰杰因果关系 这个库是 CWJ Grangers 流行的因果关系指标指标的 Java 实现，也称为 。 实现遵循他 1969 年的论文 [1]。 格兰杰因果关系的简单描述如下：“变量x的历史信息有助于预测变量y吗？” 还有其他 Granger-Causality 的开源 Java 实现，例如 Sergey Edunov 的 GNU 实现 。 然而，这些实现专注于双变量空间，将用户限制为 2 个变量（x 和 y）。 在大多数情况下，正在分析的宇宙由更多变量（多元）组成。 因此，在这种情况下更合适的问题是：“变量x的历史信息是否有助于预测给定宇宙u中的变量y ？” 这需要将二元格兰杰因果关系扩展到多元空间，这是在此库的二元实现之上提供的。 [1] 格兰杰，CWJ (1969)。 “通过计量经济学模型和交叉谱方法调查因果关系” 。 计量经济学 37 (3): 424–438。

基于工业熵数据的传递熵检测过程变量之间的因果关系

针对传统因果关系算法难以准确分析含大量噪声的非线性数据的问题进行了研究，提出基于最大信息传递熵的因果关系建模算法。首先，利用最大信息系数对非线性数据的时序趋势间的关联度进行检测，弱化噪声对变量间相关性的影响；然后根据筛选因子剔除弱相关变量，并通过随机经验估值计算强关联变量间的传递熵，以减少传递熵的计算量；最后，传递熵确定因果关系方向，形成支持链路溯源的单向因果网络。利用经典化工过程数据集对该算法进行测试分析，实验结果表明，相比于现有的因果关系建模算法，该算法可定位异常变量，对12维以上的高维数据建模的稳定性高于85%，因果关系的准确率可达83.33%，实际建模效果优于对比算法，可用于工业控制系统异常检测定位。

格兰杰（Granger）于 1969 年提出了一种基于“预测”的因果关系（格兰杰因果关系），后经西蒙斯（1972 ,1980）的发展，格兰杰因果检验作为一种计量方法已经被经济学家们普遍接受并广泛使用，尽管在哲学层面上人们对格兰杰因果关系是否是一种“真正”的因果关系还存在很大的争议。

传统的计量经济思想是首先根据经济理论或实践经验确定变量,然后建立模型,进行回归分析,通过假设检验判断所选解释变量是否对被解释变量有显著影响.虽然我们也测定了两个变量之间的相关系数,但高度相关的两个变量,并不意味着他们之间就一定存在着因果关系

matlab代码影响对EEG单一试验和连接组进行分类 这是我于2019年8月5日至30日进行的项目的仓库。 __目标：使用机器学习工具（例如MNE库）对EEG任务相关的单项试验和功能连接进行分类。 理论：检查我的 原始数据：头皮脑电图数据-Biosemi-512 Hz-64电极-50位健康的人（.bdf） 任务：视觉空间注意任务（每个受试者每个主要状况约250次试验） 预处理数据（从EEGLAB到PYTHON） 对于ERP：在连续信号（Raw，.bdf）上闪烁并过滤假象，然后在ERPLAB / EEGLAB上进行分段（.set + .ftd） 对于wPLI：在连续信号上，应用SCD（Raw，.bdf），闪烁并过滤假象，选择14个电极，进行Beta和Gamma过滤，并进行Hilbert变换，并应用wPLI（.erp），然后进行10 ICA（connectomes）（。mat） ） 数据维度以纪元形式构建，以符合Python流程（最初为EEGLAB / MATLAB） 目标（1）随时代而定分为2个类：出席与否 言语上的问题：每个时期，作为电压信号（ERP）或特征权重（ICA），将成为两态分

matlab滑动条码内核格兰杰因果关系 使用内核技巧降低复杂度的代码来评估非线性Granger因果关系这组函数实现了内核Granger因果关系，从而可以检测非线性动态相互作用，如所述。 内核Granger因果关系和动力学网络分析D.Marinazzo，M.Pellicoro和S.Stramaglia物理评论E，77，056215（2008） 非线性Granger因果关系的核方法D. Marinazzo，M.Pellicoro和S. Stramaglia Phys。 莱特牧师卷100帕格144103（2008） 该文件夹包含两个工具箱 内核因果关系最后 LOO_crossvalidation用于选择模型顺序 将这两个工具箱与其他MATLAB工具箱解压缩，然后将它们添加到您的路径中。 您会发现以下脚本： test_KGC_KCL：在5个节点的模拟网络上运行内核因果关系 test_biv_2n：在两个耦合图上测试KGC test_var_eps_1：两个耦合图的耦合参数在时间上的调制（包含对Granger因果关系和与滑动窗口的相关性的调用） 请不要犹豫与我们联系以获取建议和意见 免责声明和责

为了评估二元经济结果之间的因果关系，我们考虑对面板数据的双变量动态概率模型进行估计，该模型具有特殊性，可以说明动态过程的初始条件。 由于似然函数的难解形式是二维积分，因此我们使用一种近似方法：自适应高斯-赫尔姆特正交方法。 为了提高方法的准确性并减少计算时间，我们推导了对数似然度和被积数的Hessian的梯度。 估计方法已使用Stata软件的d1方法实现。 我们通过应用模拟数据集对我们的估算方法进行了实证验证。 我们还分析了正交点数量对估计和估计过程持续时间的影响。 然后，我们得出结论，当在模拟数据集上超过16个正交点时，估计系数的相对差异约为0.01％，但计算时间呈指数增长。

神经格兰杰因果关系 Neural-GC存储库包含用于在多元时间序列中发现Granger因果网络的基于深度学习的方法的代码。 介绍了此处实现的方法。 安装 要安装代码，请克隆存储库。 您只需要Python 3 ， PyTorch (>= 0.4.0) ， numpy和scipy 。 用法 在笔记本cmlp_lagged_var_demo.ipynb ， clstm_lorenz_demo.ipynb和crnn_lorenz_demo.ipynb查看有关如何应用我们的方法的crnn_lorenz_demo.ipynb 。 这个怎么运作 在此存储库中实现的模型称为cMLP，cLSTM和cRNN，是通过分别预测每个时间序列对多元时间序列进行建模的神经网络。 在训练期间，对输入层权重矩阵的稀疏惩罚会将参数组设置为零，这可以解释为发现格兰杰非因果关系。 可以使用三种不同的惩罚训练cMLP模型：组套索