[论文解读] Discovering contemporaneous and lagged causal relations in autocorrelated nonlinear time series datasets

Jakob Runge|arXiv (Cornell University)|Mar 7, 2020

Time Series Analysis and Forecasting被引用 65

一句话总结

PCMCI+ 是一种基于条件独立性的因果发现方法，可以在自相关非线性时间序列中同时发现滞后和同期因果关系，相较于 PC，标定性更好、邻接/定向召回更高、运行时间更快。

ABSTRACT

The paper introduces a novel conditional independence (CI) based method for linear and nonlinear, lagged and contemporaneous causal discovery from observational time series in the causally sufficient case. Existing CI-based methods such as the PC algorithm and also common methods from other frameworks suffer from low recall and partially inflated false positives for strong autocorrelation which is an ubiquitous challenge in time series. The novel method, PCMCI$^+$, extends PCMCI [Runge et al., 2019b] to include discovery of contemporaneous links. PCMCI$^+$ improves the reliability of CI tests by optimizing the choice of conditioning sets and even benefits from autocorrelation. The method is order-independent and consistent in the oracle case. A broad range of numerical experiments demonstrates that PCMCI$^+$ has higher adjacency detection power and especially more contemporaneous orientation recall compared to other methods while better controlling false positives. Optimized conditioning sets also lead to much shorter runtimes than the PC algorithm. PCMCI$^+$ can be of considerable use in many real world application scenarios where often time resolutions are too coarse to resolve time delays and strong autocorrelation is present.

研究动机与目标

• 开发一个基于 CI 的时间序列因果发现框架，处理滞后和同期链接。
• 通过优化条件集，在强自相关的情况下提高 CI 测试的可靠性。
• 在受控假阳性和更快运行时间的前提下，实现更高的邻接检测与方向召回。

提出的方法

• 引入 PCMCI+，对 PCMCI 的扩展，包含同期链接发现。
• 将边缘移除分为滞后条件化阶段和同期条件化阶段，CI 测试更少。
• 使用瞬时条件独立性（MCI）条件化，在自相关下校准测试并提升效应量。
• 证明 PCMCI+ 的可靠性（正确的邻接），并在 Faithfulness 条件下实现完备性（最大化定向）。
• 在仿真中显示与 PC 相比，顺序无关性和邻接检测、定向召回以及运行时间的经验提升。

实验结果

研究问题

• RQ1 一个基于 CI 的因果发现方法是否能够在自相关非线性时间序列中可靠地识别滞后和同期链接？
• RQ2 在自相关下，优化的条件集和基于 MCI 的测试是否能够提升检测能力和假阳性控制？
• RQ3 PCMCI+ 是否在保持准确性的同时，能否比现有方法如 PC 更具顺序无关性和计算效率？
• RQ4 PCMCI+ 在不同线性/非线性、高斯与非高斯噪声以及不同自相关水平下的表现如何？
• RQ5 在标准因果假设下，PCMCI+ 拥有哪些理论保证（可靠性/完备性）？

主要发现

• PCMCI+ 在强自相关下实现了比 PC 更高的邻接检测能力和更好的同期定向召回。
• PCMCI+ 相较于 PC 提供了更好的虚假阳性控制和更短的运行时间。
• 优化的条件集和 MCI 测试框架提高了测试效应量，从而提升了同期链接的检测能力。
• PCMCI+ 在因果图重建中是可靠的，并且在 Faithfulness 条件下具有完备性，且具有顺序无关性。
• 该方法可以灵活地应用于不同的 CI 测试和数据类型，包括非线性和多变量设置。