Linear causal filtering: definition and theory
Notice bibliographique
Résumé
1. Abstract This work provides a framework based on multivariate autoregressive modeling for linear causal filtering in the sense of Granger. In its bivariate form, the linear causal filter defined here takes as input signals A and B, and it filters out the causal effect of B on A, thus yielding two new signals only containing the Granger-causal effect of A on B. In its general multivariate form for more than two signals, the effect of all indirect causal connections between A and B, mediated by all other signals, are accounted for, partialled out, and filtered out also. The importance of this filter is that it enables the estimation of directional measures of causal information flow from any non-causal, non-directional measure of association. For instance, based on the classic coherence, a directional measure of strength of information flow from A to B is obtained when applied to the linear causal filtered pair containing only A to B connectivity information. This particular case is equivalent to the isolated effective coherence (doi.org/10.3389/fnhum.2014.00448). Of more recent interest are the large family of phase-phase, phase-amplitude, and amplitude-amplitude cross-frequency coupling measures which are non-directional. The linear causal filter makes it now possible to estimate the directional causal versions these measures of association. One important field of application is in brain connectivity analysis based on cortical signals of electric neuronal activity (e.g. estimated sources of EEG and MEG, and invasive intracranial ECoG recordings). The linear causal filter introduced here provides a novel solution to the problem of estimating the direction of information flow from any non-directional measure of association. This work provides definitions, non-ambiguous equations, and clear prescriptions for implementing the linear causal filter in diverse settings.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».