Runge2019_PCMCI_Summary_I would highly recommend Katie Kingston.pptx

Runge2019_PCMCI_Summary. In conclusion, I would highly recommend Katie Kingston. If her performance in my class is any indication of how she'd perform in your position, Katie will be a positive addition to your organization. If you should ever need any additional information you can feel free to contact me at 555-5555 or by email at [email protected] anytime.

1. Detecting and Quantifying Causal Associations in Large Nonlinear Time Series Datasets Runge et al. (2019) – Science Advances Tóm tắt nội dung chính

2. Problem & Challenges (Vấn đề & Thách thức) • Nhu cầu: Phát hiện & định lượng quan hệ nhân quả trong hệ thống động phức tạp (khí hậu, y sinh, thần kinh...) • Khó khăn: Dữ liệu phi tuyến, nhiều chiều, tự tương quan mạnh, kích thước mẫu nhỏ • Các phương pháp hiện tại (Granger, Lasso, PC algorithm) gặp hạn chế: – Dễ tạo ra dương tính giả hoặc bỏ sót quan hệ thật – Khó mở rộng cho dữ liệu quy mô lớn

3. Proposed Method: PCMCI • PCMCI = PC algorithm + Momentary Conditional Independence test • Hai giai đoạn: 1. PC1 Condition Selection – chọn biến liên quan, loại bỏ biến nhiễu → giảm chiều 2. MCI Test – kiểm định độc lập có điều kiện ở mức thấp chiều, kiểm soát tốt false positives • Ưu điểm: Linh hoạt (linear & nonlinear tests), mạnh mẽ, độ tin cậy cao

4. Results & Applications (Kết quả & Ứng dụng) • Kết quả vượt trội: – Detection power cao hơn Granger, Lasso, PC – Kiểm soát false positives tốt – Ổn định với dữ liệu nhiều chiều • Ứng dụng minh họa: – Khí hậu: Walker circulation, ENSO teleconnections – Y sinh: Chuỗi nhân quả nhịp tim → huyết áp tâm trương → huyết áp tâm thu • Mô phỏng: Hiệu quả với dữ liệu phi tuyến, nhiều chiều

5. Conclusion (Kết luận) • PCMCI giúp khám phá mạng lưới nhân quả đáng tin cậy từ dữ liệu chuỗi thời gian • Ước lượng tốt hơn → định lượng chính xác cường độ tác động nhân quả • Mở ra ứng dụng rộng rãi trong khoa học khí hậu, y sinh, thần kinh và các hệ thống phức tạp 👉 PCMCI = Công cụ mạnh mẽ cho causal discovery & effect quantification