使用高阶 Markov 切换模型识别非平稳因果结构
原文中文，约1400字，阅读约需4分钟。
📝
内容提要
本文提出了一种处理非平稳数据的框架，开发了多种方法以检测因果结构和变量间关系。研究基于状态空间模型和马尔可夫假设，验证了新型因果模型和算法在非平稳时间序列中的有效性，实验结果显示这些方法在因果识别和预测方面优于现有技术。
❓
Q&A
什么是高阶 Markov 切换模型？
高阶 Markov 切换模型是一种用于处理非平稳时间序列的统计模型，能够识别因果结构和变量间关系。
如何检测非平稳数据中的因果结构？
可以通过基于状态空间模型的方法，利用非平稳性来确定因果结构，并将预测问题视为贝叶斯推断问题。
CD-NOD 框架的主要功能是什么？
CD-NOD 框架用于从异构和非平稳数据中查找因果关系的骨架和方向，并估计机制变化的属性。
Unique Causal Network 模型解决了什么问题？
Unique Causal Network 模型解决了基于贝叶斯网络的模型在因果解释性上的不足，提供了更好的因果结构识别方法。
如何利用证据下界最大化进行因果发现？
通过证据下界最大化的方法，可以从混合不同因果模型的时间序列数据中进行因果发现，实验证明其优于现有基准模型。
新型受限结构因果模型的特点是什么？
新型受限结构因果模型通过时间可变滤波器实现因果识别，能够在双变量和网络设置中有效应用。
🏷️
