问题标签 [causality]

我正在我的硕士论文中对 Granger 非因果检验进行元回归分析。感兴趣的效果是 F 和卡方分布的，因此要在元回归中使用主题，它们必须转换为正态变量。现在，我正在为此使用概率函数（标准正态累积分布的倒数）。这基本上是它的 p 值的 qnorm() （据我所知）。

我现在的问题是，基础研究有时会报告 p 值为 0 或 1。使用 qnorm() 转换它们会得到 Inf 和 -Inf 值。我的解决方案是用接近 0 的值交换 0 个 p 值，例如 1e-180 和接近 1 的值交换 1 个 p 值，例如 0.99999999999999999（只有 16 9 是可能的，因为 R 正在将结果更改为更多“9” s 到 1)。

有人知道这个问题的更好解决方案吗？这在数学上合理吗？排除 0 和 1 p 值会完全改变结果，因此，在我看来，这是错误的。我现在的代码示例：

qnorm 前面的减号有助于直觉，因此正值与在更高显着性水平上拒绝非因果关系的零假设相关。

我会很高兴获得支持/提示/等！

我想确定热力学过程中意外结果（或异常）的原因。我有相关变量的连续数据，并试图利用“贝叶斯网络（BN）”来确定因果关系。为此，我在 Python 中使用了一个名为“ Causalnex ”的库。

我已经按照这个库的教程部分构建了 DAG、BN 模型，并且在预测步骤之前一切正常。少数/少数类的预测结果具有大约 60-70% 的准确度（在 SMOTE/SMOTETomek 和特定随机状态下为 80-90%），而稳定的准确度有望超过 90%。我已经实现了以下数据预处理步骤。

1. 确保没有缺失/NaN 值
2. 离散化（仅库支持）
3. SMOTE/SMOTEtomek 用于数据平衡
4. 各种训练/测试尺寸组合

我正在努力找出优化模型的方法。我在互联网上找不到任何支持材料。

是否有任何适用于该库/BN 模型的数据预处理技术和数据集要求的指南或“最佳实践”？您能否建议任何故障排除方法来确定低准确性/指标的原因？也许 DAG 中被误解的节点-节点因果关系会导致平庸的准确性？

任何与此相关的想法/文献/其他合适的图书馆都会有很大帮助！

我正在使用 python 包DoWhy来查看基于此站点的任期和流失之间是否存在因果关系。

我还有许多其他变量。

1. 这是进行分析的正确方法吗？

2. 常见原因是什么意思，如何选择？

3. 我如何解释结果以及确定性如何？

我需要一些关于如何解决这个问题的建议。我有许多动物园对象，我想使用 Google 开发的同音词包在 R 中对其执行因果影响分析。为了自动化这个过程，我想在动物园对象上运行一个循环，并自动将结果保存在一个文件中，以便以 word 或 csv 格式导出。

到目前为止，我的解决方案是将动物园对象包含在动物园列表中

然后运行一个for循环，如：

该代码似乎有效，但是我不知道如何以 csv 或 doc 或任何格式导出所有输出，只要它紧凑且可读。

任何想法？谢谢您的帮助！

我一直在使用 Sigmund 和 Ferstl 的panelvar R 包通过 GMM（广义矩量法）估计面板 VAR 模型超过约 20k 观察值。

然而，令我惊讶的是，没有提供任何函数来测试格兰杰因果关系。是不是因为测试需要借助另一个函数来实现？我看到 Stata 包pvar（用于类似目的）提供了该功能pvargranger（因此提供测试似乎很常见）。

更新：创建问题是因为 STATA 实现提供了 Granger 因果函数。然而，计算独立于 GMM PVARs（参见Dumitrescu, EI, & Hurlin, C. (2012). Testing for Granger non-causality in heterogenous panel. Economic modelling, 29(4), 1450-1460. - on p. 1451 作者将 Granger 因果关系与 PanelVAR 进行比较），因此最好的解决方案是使用plmHelix123 指出的包！

我正在为因果网络运行 pc 算法。在这个算法中，我需要验证两个数组 X 和 Y 是否独立给定一组数组 Z1，...，Zn。在论文中，通常假设高斯独立性测试，我试图不使用它来支持更通用的方法。我尝试使用互信息，但从我昨天的讨论中可以看出（具有多个变量的条件互信息），互信息似乎不是一个好方法。我尝试使用fcit包。

但是对于pval_i我得到nan的和以下警告：

我认为它出现是由于 Z 和 X 和 Y 的尺寸不同，因为在这种情况下都具有相同的尺寸 (10000,1)，它可以正确计算独立性测试。所以我的问题是：如果给定 Z1,...,Zn，我如何计算 X 和 Y 是否独立？

我正在尝试使用 bartCause 包在 R 中构建提升模型。不幸的是，我无法以正确的方式集成数据框 -错误消息：

使用的代码：

校准数据：（2595 个观测变量，共 15 个变量） 在此处输入图像描述

验证数据：（2595 个变量，共 15 个变量） 在此处输入图像描述

我有一个开发人员创建了一个 python 脚本来确定几个数据集的格兰杰因果关系，这些数据集大约是 3 年的日常数据（每个时间序列大约 1100 个数据点）。该脚本似乎运行良好，但我们不确定应该选择哪个 MaxLag。我们的目标是确定可能的因果关系并确定因果关系中的滞后时间（1 天、2 天、7 天、14 天等）。显然，当我们将 maxlag 数字从 1 更改为 15 时，我们会得到非常不同的数字。请参阅下面我所指的代码部分。

据我了解，MaxLag 越高，对时间序列进行的“分析”就越多，这会导致 MaxLag 数字越高，因果关系就越强。这似乎很有帮助，但前提是我们知道因果关系的实际“滞后”是什么。

在此处输入图像描述我有一个不平衡的数据集，其中包含电影销售数据以及几年来电影的一些特征。在其间的特定年份，社会中发生了一种治疗（事件）。现在，我想与 r 检查这种处理是否影响了具有某些特殊特征的电影的销售。我的问题是，当我检查了很多 DiD 和 FE 模型时，治疗前后的治疗人群是相同的，而我的情况并非如此。因为活动之前上映的电影和活动之后上映的电影完全不同。我正在寻找电影角色在其销售中的系数的任何变化。请您指导我应该使用哪种型号或 r 包？

我想在 python 中使用多元格兰杰因果关系。我发现 MATLAB 中有 MVGC 工具箱，但无法在 python 中找到它的等价物，或者无法在 python 中找到 Multivariate Granger Causality 的任何实现。请在python中提出一些相同的实现。