[论文解读] State Space Methods for Granger-Geweke Causality Measures

Victor Solo|arXiv (Cornell University)|Jan 19, 2015

Blind Source Separation Techniques参考文献 31被引用 3

一句话总结

本文通过引入状态空间方法来计算子模型、建模下采样和滤波的影响，并确保频域GEM估计的可靠性，解决了格兰杰-盖韦克因果关系度量（GEMs）长期存在的理论和计算挑战。核心贡献是一个计算稳健的框架，明确了采样和滤波对因果关系的理论影响，适用于fMRI和多变量时间序列分析。

ABSTRACT

At least two recent developments have put the spotlight on some significant gaps in the theory of multivariate time series. The recent interest in the dynamics of networks; and the advent, across a range of applications, of measuring modalities that operate on different temporal scales. Fundamental to the description of network dynamics is the direction of interaction between nodes, accompanied by a measure of the strength of such interactions. Granger causality (GC) and its associated frequency domain strength measures (GEMs) (due to Geweke) provide a framework for the formulation and analysis of these issues. In pursuing this setup, three significant unresolved issues emerge. Firstly computing GEMs involves computing submodels of vector time series mod- els, for which reliable methods do not exist; Secondly the impact of filtering on GEMs has never been definitively established. Thirdly the impact of downsampling on GEMs has never been established. In this work, using state space methods, we resolve all these issues and illustrate the results with some simulations. Our discussion is motivated by some problems in (fMRI) brain imaging but is of general applicability.

研究动机与目标

• 解决多变量时间序列中的未决问题：可靠的子模型计算用于GEMs，以及下采样和滤波对因果关系度量的影响。
• 为在存在时间尺度不匹配和信号变换的情况下计算GEMs，提供一个理论严谨且计算可行的框架。
• 解决在下采样和滤波条件下正向与反向因果推断问题，特别是在神经动力学比记录的fMRI信号更慢的神经影像学背景下。
• 建立格兰杰因果关系在采样和滤波下保持不变或发生畸变的一般条件，填补计量经济学和神经科学应用中的空白。

提出的方法

• 使用状态空间表示来建模向量自回归过程，并推导出稳定、因果且最小相位的谱因式分解。
• 应用离散代数 Riccati 方程（DARE）来计算最优状态估计器和谱密度，确保稳定性和可检测性。
• 推导出非最小相位滤波器向最小相位和全通分量的分解，从而实现谱因式分解和GEM计算。
• 使用状态空间转移来建模时间序列在下采样和滤波下的变换，保持原始过程的结构。
• 采用谱因式分解技术来计算子模型和联合过程的功率谱密度，从而实现准确的GEM估计。
• 通过仿真验证结果，证明在各种滤波和采样条件下GEM的一致性和正确性。

实验结果

研究问题

• RQ1 在快速时间尺度过程中存在的单向格兰杰因果关系，是否仍能在信号的下采样、滤波版本中被检测到？
• RQ2 是否可以进行反向因果推断——即，下采样信号中观察到的因果关系是否意味着原始高速率过程也存在因果关系？
• RQ3 滤波操作，特别是具有可变时延（如血氧水平依赖反应函数）的滤波，如何影响GEM的估计？
• RQ4 在下采样和滤波下，GEM保持有效或发生畸变的一般条件是什么？
• RQ5 是否可以在不产生频域负值的情况下，实现GEM的可靠子模型计算？

主要发现

• 本文确立了状态空间系统的可检测性是GEM计算稳定性和有效性的充分条件，解决了以往方法中GEM值为负的问题。
• 开发了一种基于状态空间的方法，可可靠地计算多变量时间序列的子模型，消除了因子模型拟合不一致导致的负GEM风险。
• 对下采样影响GEM的正式表征：因果关系可能丢失或畸变，且在未正确建模的情况下，反向因果推断通常无效。
• 通过谱因式分解，解析地解决了滤波对GEM的影响，表明非最小相位滤波器可分解为最小相位和全通分量，以保持谱结构。
• 当状态空间模型被正确指定时，该方法确保从滤波和下采样信号中计算出的GEM与底层真实因果关系一致。
• 推导出GEM在采样和滤波下保持不变或可预测变换的一般理论条件，为fMRI及其他应用中的可靠推断提供了基础。