论文部分内容阅读
传统的格兰杰因果关系度量标准仅指示多个时间序列之间的线性因果关系。研究中我们将因果关系检测方法推广到非线性情况。当应用不同的机器学习模型时,我们主要专注估计因果度量的分布。由此计算出临界间隔,临界间隔是用于判断非线性因果关系是否具有统计意义。机器学习结果拟合了由 LASSO回归、随机森林和神经网络计算出的因果度量标准的经验分布。与基线相比,机器学习模型能够检出测线性和非线性因果关系。