CCM_boot_x$rho+CCM_boot_x$sdevrho), lty=3, col=1) #Plot "B causes A" lines(CCM_boot_y$Lobs, CCM_boot_y$rho, type="l", col=2, lty=2, lwd=2) #Add +/- 1 standard error matlines(CCM_boot_y$Lobs, cbind(CCM_boot_y$rho-CCM_boot_y$sdevrho, CCM_boot_y$rho+CCM_boot...
多空间CCM是对CCM的一个简单拓展,但由于需要使用Bootstrap,因此计算量和耗时均会更大。在写paper时,最好选择Bootstrap次数在1000以上才有可能不被评审质疑。另外,本人还是要说明的是,CCM及其衍生的多空间CCM方法并不是格兰杰因果关系检验的替代,而是在非线性、非完全随机的系统中,对后者的一个补充,二者不存在必然的...
因此需要用twin surrogate方法对相关系数ρ进行显著性检验,该方法是一种基于递归性质生成替代数据的检验方法,其原假设是时间序列变量X和Y之间并没有因果关系,通过相位随机化的方法将X和Y打碎重组,形成与原本时间序列变量具有相似结构的替代时间序列变量,并再次进行CCM过...
Sugihara等人的研究使用CCM识别生态系统中的因果关系，Hsieh等人的工作则将CCM扩展至短时间序列的分析。Adam T. Clark及其团队提出的空间CCM方法用于检测短时间序列的因果关系，而M. Ushio等人通过研究自然鱼群社区的时间变异性，展示了CCM在分析动态系统中的应用。收敛交叉映射方法及其拓展的系列解读深入探讨了...
来自嘈杂的时间序列数据的因果推论-在存在噪声和外部影响的情况下测试收敛交叉映射算法。 下一代计算机系统,73,52-62。 DOI: 如何使用 为了对来自两个时间序列X和Y数据使用CCM函数xmap() ,必须使用时间延迟坐标方法将它们嵌入相空间中。 这可以使用psembed()函数来完成。 在文件example.m可以看到如何使用这些功能的...
Granger Causality是经典方法,在计量经济学的时间序列分析中有较多的应用。 除此之外,还有Convergent cross mapping (CCM)。Granger因果模型的前提假设是事件是完全随机的,但现实情况有很多是非线性、动态且非随机的,Granger模型对这一类状况不适用。CCM则能适用于这一类场景,在多组时间序列中构建出因果网络。 感兴趣的...
方法 本文尝试采用CCM识别城市交通拥堵与雾霾污染的因果关系,为回答交通拥堵与雾霾污染究竟谁该为谁负责这一问题提供新的经验证据。为了克服Granger因果检验的内在局限,2012年Sugihara等人首次提出了基于数据驱动(datadriven)的收敛交叉映射方法(Convergent Cross Mapping, CCM),为揭示弱耦合变量之间的非线性因果关系提供了新...
针对这个问题,Sugihara等(2012)在Detecting Causality in Complex Ecosystems这篇文章中,提出了CCM收敛交叉映射算法。 具体做法如下: 假设有X和Y两个时间序列如下: {X} = { X(1) ,X(2) ,X(3) ,…,X(L) } {Y} = { Y(1) ,Y(2) ,Y(3) ,…,Y(L) } ...
其已经被广泛应用于神经科学,经济学,气候学,物理和生物学等领域,目 前主流的因果分析方法主要是格兰杰因果分析,它是一种基于自回归模型的分 析方法,多用于检测线性系统的因果关系. 近些年,一种新的分析因果关系的方 法——收敛交叉映射(CCM) 方法也得到了广泛应用,它是一种基于几何学中关 于流形重构的分析方法,...