تحلیل علّی اکتشافی با داده‌های سری زمانی ۲۰۲۲
Exploratory Causal Analysis with Time Series Data 2022

بسیاری از رشته‌های علمی متکی به داده‌های مشاهداتی سیستم‌هایی هستند که اجرای آزمایش‌های کنترل‌شده برای آن‌ها دشوار (یا غیرممکن) است. برای شناسایی اطلاعات و روابط علّی به طور مستقیم از این داده‌های مشاهداتی، به فنون تحلیل داده نیاز است. این نیاز منجر به توسعه رویکردها و ابزارهای مختلفی برای علیت در سری‌های زمانی شده است، از جمله آنتروپی انتقالی، نگاشت متقابل همگرا (CCM) و آمار علیت گرنجر. یک تحلیلگر حرفه‌ای می‌تواند با جستجو در متون علمی، پیشنهادهای متعددی را برای شناسایی عوامل محرک و ارتباطات علّی در مجموعه‌های داده سری زمانی پیدا کند.

تحلیل علّی اکتشافی (ECA) چارچوبی را برای بررسی ساختارهای علّی بالقوه در مجموعه‌های داده سری زمانی فراهم می‌کند و با هدف کوته‌بینانه تعیین اینکه کدام سری داده از یک مجموعه معین، به عنوان عامل محرک اصلی در نظر گرفته می‌شود، مشخص می‌شود. در این اثر، ECA بر روی چندین مجموعه داده مصنوعی و تجربی استفاده شده است و مشخص شده است که همه ابزارهای علیت سری زمانی آزمایش‌شده، برای بسیاری از سیستم‌های ساده با یکدیگر (و مفاهیم شهودی علیت) موافق هستند، اما می‌توانند استنباط‌های علّی متناقضی را برای سیستم‌های پیچیده‌تر ارائه دهند. پیشنهاد می‌شود که چنین اختلافاتی بین ابزارهای مختلف علیت سری زمانی در طول ECA، ممکن است بینش عمیق‌تری نسبت به داده‌ها ارائه دهد که در غیر این صورت قابل دستیابی نبود.

Many scientific disciplines rely on observational data of systems for which it is difficult (or impossible) to implement controlled experiments. Data analysis techniques are required for identifying causal information and relationships directly from such observational data. This need has led to the development of many different time series causality approaches and tools including transfer entropy, convergent cross-mapping (CCM), and Granger causality statistics. A practicing analyst can explore the literature to find many proposals for identifying drivers and causal connections in time series data sets. Exploratory causal analysis (ECA) provides a framework for exploring potential causal structures in time series data sets and is characterized by a myopic goal to determine which data series from a given set of series might be seen as the primary driver. In this work, ECA is used on several synthetic and empirical data sets, and it is found that all of the tested time series causality tools agree with each other (and intuitive notions of causality) for many simple systems but can provide conflicting causal inferences for more complicated systems. It is proposed that such disagreements between different time series causality tools during ECA might provide deeper insight into the data than could be found otherwise.