基于因果熵和复杂网络因果推理的稀疏系统识别方法[J]. 提供了带有说明性示例的 PDF。 有关引文和算法的详细信息，请参阅： •Abd AlRahman R. AlMomani，Jie Sun和Erik Bollt，“熵回归如何克服非线性系统识别中的离群值问题”，Chaos 30，013107（2020年）。

教程：面向应用研究人员和流行病学家的计算因果推理简介 马修·詹姆斯·史密斯、卡米尔·马林格、伯纳德·雷切特、穆罕默德·A·曼苏尼亚、保罗·齐维奇、斯蒂芬·R·科尔、米格尔·安吉尔·卢克·费尔南德斯 该存储库向科学界提供预印本手稿中使用的数据和代码，请访问 引用此存储库： 马修·詹姆斯·史密斯、卡米尔·马林格、伯纳德·雷切特、穆罕默德·A·曼苏尼亚、保罗·齐维奇、斯蒂芬·R·科尔、米格尔·安吉尔·卢克·费尔南德斯 抽象的 许多健康研究的目的是估计暴露对结局的影响。 在随机对照试验中为个体分配暴露并不总是符合道德的，而是必须使用观察数据和适当的研究设计。 观察性研究存在重大挑战，其中之一是混杂，可能导致对因果效应的估计有偏差。 混杂控制通常通过对测量混杂因素的简单调整来执行； 然而，这往往是不够的。 因果推理领域的最新进展已经通过建立在经典标准化方法的基础上来解决混淆问题。 然而，这些最近的进

图４．９　无线电磁指示器指示方位原理 ２．基本原理 图４．１０为 无 线 电 罗 盘 的 工 作 原 理 框 图。由 ４１３节内容可知，具有“８”字形方向性图的环形天 线接收地面信标台的发射信号，为使该信号与垂直 天线接收到的信号同相叠加，先将环形天线的信号 移相９０°，并经放 大 与 倒 相 后 加 给 平 衡 调 制 器 两 个 幅度相等而相位相反的信号，平衡调制器在１３５Ｈｚ 低频信号 控 制 下 工 作，得 到 两 个 旁 频（边 频）信 号 （见式（４．９）），然 后 与 垂 直 天 线 的 无 方 向 性 载 频 信 号进行相加，得到一个调制度是电波来向θ的函数 的调幅波信号。 该调幅波信号在超外差式接收机中进行处理， 经过混频、中放、检波等环节，得到具有方位信息的 低频信号并分成两路输出，其中一路到耳机用于人工定向；另一路经１３５Ｈｚ的选频放大电路， 将１３５Ｈｚ信号从低频信号中分离出来，放大后作为误差信号加到伺服电机的控制线圈上。同 时在伺服电机的激磁线圈中，还加有从１３５Ｈｚ本地振荡器直接输出的１３５Ｈｚ信号。 图４．１０　无线电罗盘工作原理方框图 在这两个信号的共同作用下，伺服电机转动，同时带动环形天线向最小值信号的 方 向 转 动，直到转到环形天线信号为零、方向性图最小值对准导航台时为止，此时无线电罗盘中就只 有垂直天线的信号。在这个过程中，同步发送机转子和航向指示器指针都在同步转动，最终指 ·８７· 无线电导航原理与系统

美国事故 美国事故可用于多种应用，例如研究事故热点位置，人员伤亡分析以及提取因果规则以预测事故，研究降水或其他环境刺激对事故发生的影响。 属性概述： 属性说明 ID：这是事故记录的唯一标识符。 严重程度：显示事故的严重程度，介于1和4之间的数字，其中1表示对交通的影响最小（即，由于事故造成的短暂延误），而4表示对交通的重大影响（即，较长的延误） 。 事故发生时间戳：事故发生时间 事故报告时间戳：事故报告时间 边：在地址字段中显示街道的相对边（右/左）。 城市：在地址栏中显示城市。 县：在地址字段中显示县。 状态：在地址字段中显示状态。 温度（F）：显示温度（以华氏度为单位）。 Wind_Chill（F）：显示风寒（华氏度）。 湿度（％）：显示湿度（百分比）。 压力（英寸）：显示空气压力（英寸）。 可见度（mi）：显示可见度（以英里为单位）。 Wind_Direction：显示风向。

格兰杰因果关系（Granger causality）是以统计假设检验为基础的，这一观点认为因变量能够帮助目标变量进行预测。更具体地说，如果根据变量x和变量y的过去值的y的自回归模型比仅基于y的过去值的y的自回归模型有更准确的预测结果，那么变量x与变量y满足格兰杰因果关系。该过程中同样采用了BIC方式来迭代获取用于构建最优模型所需要的时间序列过去时刻的长度（lag）

从数据中学习贝叶斯网络结构是一个NP-hard问题，提高网络结构学习算法精度是研究的重难点。基于Pearl的因果理论，提出了一种贝叶斯网络结构学习方法，提升了现有算法的准确率。利用改进的Pearl因果效应和BDe评分，学习网络节点优先次序，利用K2算法学习初始网络，并通过BDe评分反向调节、互信息和BDe评分删除边以修正学习结果。实验在贝叶斯网络标准数据集ASIA、ALARM上进行，在样本量为2000~20 000的20组实验中，学习准确率较MMHC算法平均提升16%，准确率标准差较MMHC算法平均缩小17%。实验表明，基于因果效应的方法较MMHC算法有更好的性能。

清华大学

Granger因果检验的经典论文。值得每一个研究者细细品读

一直以来舆情态势发展的多元性、复杂性使其难以有效管控, 一些负面舆情会激化矛盾, 给社会安定带来不利影响. 提出了一种基于事理知识图谱的舆情事件推演方法, 通过神经网络挖掘事件因果逻辑, 连接因果事件构成事理知识图谱. 向量化事件节点以融合归并相似节点降低图谱冗余, 增强图谱泛化性. 根据事理知识图谱反映的发展逻辑对目标舆情事件的演化趋势进行预测. 以自然灾害舆情事件为例, 实验结果表明提出的方法能够有效预测舆情事件发展方向, 可以为舆情监管提供一定支持.

格兰杰因果关系 这个库是 CWJ Grangers 流行的因果关系指标指标的 Java 实现，也称为 。 实现遵循他 1969 年的论文 [1]。 格兰杰因果关系的简单描述如下：“变量x的历史信息有助于预测变量y吗？” 还有其他 Granger-Causality 的开源 Java 实现，例如 Sergey Edunov 的 GNU 实现 。 然而，这些实现专注于双变量空间，将用户限制为 2 个变量（x 和 y）。 在大多数情况下，正在分析的宇宙由更多变量（多元）组成。 因此，在这种情况下更合适的问题是：“变量x的历史信息是否有助于预测给定宇宙u中的变量y ？” 这需要将二元格兰杰因果关系扩展到多元空间，这是在此库的二元实现之上提供的。 [1] 格兰杰，CWJ (1969)。 “通过计量经济学模型和交叉谱方法调查因果关系” 。 计量经济学 37 (3): 424–438。