[论文解读] Order-Constrained Spectral Causality in Multivariate Time Series

Adriel Dominguez|arXiv (Cornell University)|Jan 3, 2026

Functional Brain Connectivity Studies被引用 0

一句话总结

引入基于有序约束的谱非不变性框架来研究多变量时间序列中的方向因果关系，超越局部可预测性，捕捉集体与非线性方向效应的方向性因果关系的运算算子理论框架。

ABSTRACT

We introduce an operator-theoretic framework for causal analysis in multivariate time series based on order-constrained spectral non-invariance. Directional influence is defined as sensitivity of second-order dependence operators to admissible, order-preserving temporal deformations of a designated source component, yielding an intrinsically multivariate causal notion summarized through orthogonally invariant spectral functionals. Under linear Gaussian assumptions, the criterion coincides with linear Granger causality, while beyond this regime it captures collective and nonlinear directional dependence not reflected in pairwise predictability. We establish existence, uniform consistency, and valid inference for the resulting non-smooth supremum--infimum statistics using shift-based randomization that exploits order-induced group invariance, yielding finite-sample exactness under exact invariance and asymptotic validity under weak dependence without parametric assumptions. Simulations demonstrate correct size and strong power against distributed and bulk-dominated alternatives, including nonlinear dependence missed by linear Granger tests with appropriate feature embeddings. An empirical application to a high-dimensional panel of daily financial return series spanning major asset classes illustrates system-level causal monitoring in practice. Directional organization is episodic and stress-dependent, causal propagation strengthens while remaining multi-channel, dominant causal hubs reallocate rapidly, and statistically robust transmission channels are sparse and horizon-heterogeneous even when aggregate lead--lag asymmetry is weak. The framework provides a scalable and interpretable complement to correlation-, factor-, and pairwise Granger-style analyses for complex systems.

研究动机与目标

• 在影响跨模态分布而非局部边界的高维时间序列中，激发因果分析的动机。
• 发展一个有序约束、基于不变性的框架，通过对可接受时间畸变对二阶依存性的敏感性来定义因果关系。
• 提供一种谱函数方法，在线性高斯设置之外仍具备信息性。
• 建立在弱依赖假设下、有限样本有效的统计推断程序，无需参数模型。
• 展示其在高维金融数据中的系统级因果监测的适用性。

提出的方法

• 定义对指定源分量的可接受、保持顺序的时间畸变。
• 用正交不变的谱函数量来概括有向相干算子的二阶依赖性。
• 将因果关系与这些谱摘要在畸变下的不不变性（对畸变集合的 sup–inf 离散度）联系起来。
• 在线性高斯 VAR(p) 假设下，证明该准则等价于线性Granger因果；在其他情形下可能出现偏离。
• 从标量谱摘要扩展到完整的谱分布，以捕捉大规模与低秩依赖变化。
• 提出基于非参数随机化的推断方法，利用顺序诱导的不变性实现有限样本有效性。

实验结果

研究问题

• RQ1 因果关系是否可以定义为在可接受、保持顺序的时间畸变下二阶依存几何的不不变性？
• RQ2 在何种条件下提出的有序约束谱因果性与线性Granger因果性一致，何时揭示额外的方向性结构？
• RQ3 扩展到完整谱分布如何提升对分布式或非线性方向依赖的检测？
• RQ4 对于得到的非光滑的 supremum–infimum 统计量，其统计性质与有效推断程序为何？
• RQ5 该框架是否在高维金融时间序列中具备可扩展性与可解释性？

主要发现

• 该框架将方向影响定义为对源分量有序保持时间畸变的二阶依存性的敏感性。
• 在高斯VAR(p)假设下，该准则与线性Granger因果一致；在此范围外，它能检测Granger测试可能错过的非线性或分布式方向依赖。
• 扩展到完整谱分布可以检测依赖的 bulk 重分布，而不仅仅是边缘效应。
• 对于利用顺序不变性进行的移位基随机化，已建立对非光滑的 supremum–infimum 统计量的存在性、统一一致性与有效推断。
• 模拟结果显示在边缘主导和 bulk 主导的替代假设下均具有正确的尺寸与检验功效，包括对非线性依赖的检测能力。
• 对高维金融面板的实证应用显示出情节性、压力驱动的系统级方向性组织及稀疏鲁棒传输通道。