针对稀疏自回归时间序列，快速发现滞后因果关系。
CEDAR: Causal Edge Discovery for Autoregressive Processes
- 用残差化距离相关性筛选潜在滞后边，再针对性检验条件独立性。
- 在数据稀缺时仅需约 O(d²) 次条件独立检验，效率高且可解释。
- 适合变量有滞后1阶自动态、数据量少的场景，如金融或生物信号建模。
我们提出 CEDAR（Causal Edge Discovery for Autoregressive Processes），一种用于稀疏自回归时间序列的滞后因果边发现约束方法。CEDAR 使用 AR(1) 残差化、中心化距离相关性筛选候选跨变量滞后，对每个显著候选滞后执行两次定向条件独立性检验，并每对变量最多保留一个滞后。通过稳定 MCI 剪枝移除间接边，可选确定性 C-节点用于处理指定的趋势型非平稳性。在少数滞后通过筛选的稀疏情形下，CEDAR 在筛选后仅需 O(d²) 次条件独立检验，同时保持边级可解释性。当数据稀缺且变量具有滞后1阶自动态时最有效；随着样本量 T 增大或存在高阶自回归及多滞后的同步效应时，采用更丰富条件集的方法更优。
原文摘要 · Abstract (English)
We propose CEDAR (Causal Edge Discovery for Autoregressive Processes), a constraint-based method for lagged causal edge discovery in sparse autoregressive time series. CEDAR screens candidate cross-variable lags using AR(1)-residualized, U-centered distance correlation, then applies two targeted conditional-independence tests per significant cross-variable lag candidate and accepts at most one lag per ordered pair. A stable MCI pruning step removes indirect edges, and optional deterministic C-nodes adjust for specified trend-like nonstationarity. In sparse regimes where few lags survive screening, CEDAR requires $O(d^2)$ CI tests after screening while retaining edge-level interpretability. CEDAR is most effective when data are scarce and variables exhibit lag-1 self-dynamics; methods with richer conditioning sets become preferable as $T$ grows or when higher-order autoregressive or simultaneous multi-lag effects are common.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。