📈 economics

Re-examining Granger Causality with Causal Bayesian Networks and Reichenbachs Principles

本文通过将传统格兰杰因果关系通过赖兴巴赫原则（Reichenbach's principles）和因果贝叶斯网络进行重新诠释，旨在解决其缺乏严谨因果基础的问题，从而提出“因果化格兰杰因果关系”（c-GC），这是一种具有理论依据的算法，为观测时间序列数据中的因果发现提供了一个更具原则性的框架。

原作者： S. A. Adedayo

发布于 2026-06-01

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： S. A. Adedayo

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图在一个嘈杂混乱的办公室里弄清楚谁才是老板。每个人都在同时说话。你有一份关于他们随时间变化的对话记录。你想知道：是 A 的言论真的引起了 B 的反应，还是他们只是因为第三个人（C）的存在而恰好在同一时间说话？

这就是**因果发现（Causal Discovery）的核心问题。几十年来，科学家们一直使用一种名为格兰杰因果关系（Granger Causality, GC）*的工具来解决这个问题。把 GC 想象成一个“预测性的水晶球”。它会问：“如果我知道了 A 昨天说了什么，我能否比仅通过了解 B 昨天的言论更好地预测 B 今天会说什么？”* 如果答案是肯定的，GC 就会说：“A 导致了 B。”

问题所在：
论文指出，传统的“水晶球”存在缺陷。它太容易被欺骗了。

“共同原因”陷阱（The "Common Cause" Trap）： 如果老板（人物 C）同时对 A 和 B 大吼大叫，A 和 B 可能会开始同时说话。GC 可能会错误地认为 A 导致了 B，但实际上，他们都是在对 C 做出反应。
“伪相关”陷阱（The "Spurious Link" Trap）： 有时，两个人的行为是相互独立的，但如果你观察到他们同时对第三个事件做出反应的特定时刻，他们看起来就像是有联系一样。

作者 S.A. Adedayo 表示：“GC 擅长预测，但由于缺乏坚实的哲学基础，它并不擅长证明真正的因果关系。”

解决方案：一支新的侦探小队
作者提议通过将 GC 与另外两个概念结合起来来解决问题：因果贝叶斯网络（Causal Bayesian Networks，即关系的地图）和赖兴巴赫原则（Reichenbach's Principles，来自一位名叫赖兴巴赫的哲学家的规则手册）。

赖兴巴赫的规则手册说：“如果两件事物之间存在联系，要么是一个导致了另一个，要么它们有一个更早发生的共同原因。”

作者创建了一种新的算法，称为因果化格兰杰因果关系（Causalised Granger Causality, c-GC）。把 c-GC 想象成不仅仅是一个侦探，而是一个两人组成的侦探小组，在他们宣布一名嫌疑人（宣布一个因果关系）之前，必须达成一致。

这个“两人小队”是如何运作的

该小队对每一对变量（A 和 B）使用两种不同的审讯技术：

BVGC 侦探（“双变量”侦探）：
- 方法： 这位侦探只观察 A 和 B。“A 的过去是否有助于预测 B 的未来？”
- 缺陷： 这位侦探很单纯。如果第三个人（C）同时影响着两人，这位侦探会错误地指控 A 导致了 B。
- 类比： 这就像看到两个人都在奔跑，就假设其中一个人推了另一个，而没有检查是否有一条狗在同时追逐他们两人。
MVGC 侦探（“多变量”侦探）：
- 方法： 这位侦探非常周密。他观察 A 和 B，但同时也会检查房间里的其他人（C, D, E...）。他会问：“即使考虑到其他所有人正在做的事情，A 是否仍然有助于预测 B？”
- 缺陷： 这位侦探在特定方式下过于严苛。如果 A 和 B 都是第三个人（C）的原因，当我们观察 C 时，这位侦探可能会感到困惑，从而认为 A 和 B 之间存在联系，即便他们其实并没有联系。
- 类比： 这就像通过观察被推的人来检查两个人是否有关联。有时，观察受害者会让这两个施加推力的人看起来像是协同作战，即使他们并非如此。

神奇的招式：“与（AND）”运算
论文中的重大突破在于意识到这两位侦探拥有截然相反的盲点。

BVGC 会看到过多的连接（假阳性/误报）。
MVGC 在特定的“V型”场景中可能会错过连接或看到虚假的连接。

因此，作者说：“只有当两位侦探都达成一致时，才宣布存在因果关系。”

如果 BVGC 说“是”，且 MVGC 也说“是”，那么这就是一个真实的原因。
如果一个说“是”，而另一个说“否”，它们就会互相抵消，我们便假设这是一个假警报。

这个“与（AND）”规则就像一个过滤器，它能滤掉噪音，留下真正的因果关系。

结果：新系统奏效了吗？

作者通过三种方式测试了这个新的“c-GC”系统：

合成数据（模拟实验室）：
他们创建了已知规则的虚拟世界（就像一个知道确切谁导致了什么的电子游戏），并加入了“混沌”和“噪声”以增加难度。
- 结果： c-GC 能够出色地找到真实的连接并忽略虚假的连接。它的表现优于或等于其他流行的算法，尤其是在变量会循环回溯的复杂情况下。
Sachs 蛋白质数据集（生物学测试）：
他们使用了来自人类免疫细胞（蛋白质之间的信号传递）的真实数据。这是一个著名的科学基准。
- 结果： 该算法成功绘制出了几乎所有的已知生物通路。它找到了科学家们已知存在的连接，证明了它可以在混乱的真实生物数据上运行。
Lorenz-96 数据集（混沌测试）：
他们使用了一个著名的数学模型，该模型模拟了高度混沌的天气系统。
- 结果： 即使是在事物变化极快的极度混沌系统中，c-GC 也能准确识别出底层的结构。

核心结论

论文声称，通过从赖兴巴赫的哲学和因果网络角度重新解读格兰杰因果关系，他们修复了其最大的弱点：缺乏真正的“因果”基础。

通过强制要求“双变量”和“多变量”测试达成一致，他们创造了一个更难被欺骗的工具（c-GC）。它不仅仅是在预测未来；它对于“究竟是 A 导致了 B 吗？”这个问题给出了更可靠、更有力的回答。

作者总结道，这种方法已经准备好用于观测数据（即我们仅仅观察而不进行实验的数据），并且是理解诸如大脑或经济等复杂系统的一大进步。

技术摘要：利用因果贝叶斯网络与莱兴巴赫原则重新审视格兰杰因果关系

问题陈述
格兰杰因果关系（Granger Causality, GC）仍然是识别计量经济学和神经科学等领域时间序列数据中因果关系的支配性计算工具。然而，它面临着持久的批评，即缺乏严谨的因果基础，通常被视为仅仅是一种预测工具而非因果工具。此外，标准的 GC 实现容易受到潜伏混杂因素的影响，并过度依赖线性假设。尽管已存在处理非线性或多元条件化的扩展方法，但将 GC 置于严格因果框架下的根本问题仍未解决。本文旨在通过重新解释 GC，在特定假设下为其提供稳健的因果解释。

方法论
作者提出了一种格兰杰因果关系的重构形式，称为因果化格兰杰因果关系（causalized Granger Causality, c-GC），该方法整合了三个理论框架：

因果贝叶斯网络（Causal Bayesian Networks, CBNs）： 作者将 GC 解释为 CBN 框架内的条件（不）独立性检验。具体而言，他们通过分析回归模型的残差来确定统计依赖性。
莱兴巴赫共同原因原则（Reichenbach's Common Cause Principles, RCCP）： 该方法利用了莱兴巴赫的逻辑概念，即没有任何效应先于其原因，且依赖性意味着存在共同原因或直接因果链接。
二元与多元格兰杰因果关系的综合： 其核心方法论创新在于结合了二元格兰杰因果关系（BVGC）和多元格兰杰因果关系（MVGC），以满足 RCCP 的要求。

该算法基于三个命题运行：

命题 1（无条件依赖）： BVGC 测试变量对之间的边缘依赖性，而不对混杂因素进行条件化。这对应于莱兴巴赫的原则，即依赖事件必须具有共同原因或直接链接。这一步可以识别潜在的链接，但由于未观测到的混杂因素（例如在链式或分叉结构中）可能会产生假阳性。
命题 2（条件依赖）： MVGC 在对系统内所有其他变量进行条件化的情况下测试依赖性。这一步遵循因果马尔可夫条件，能够正确识别链式和分叉结构中的独立性，但在对碰撞结构（V-结构）进行条件化时，可能会诱发伪依赖。
命题 3（逻辑合取）： 作者认为，单独使用 BVGC 或 MVGC 都不足以进行因果发现。通过对两项测试的结果取逻辑**与（AND）**运算，该算法强制执行了所有的莱兴巴赫原则。这种组合过滤掉了伪造的链接：BVGC 检测碰撞器（即 MVGC 失效之处），而 MVGC 则过滤掉链式和分叉结构中的伪造链接（即 BVGC 失效之处）。

生成的算法 c-GC 构建了一个基于变量过去状态的条件集（ $Z$ ），以满足 d-分离（d-separation）和后门准则（back-door criteria）。其扩展版本 c-GC* 使用了一个更保守的条件集，其中包含了原因的未来状态（这是发现过程中数据操纵的一种产物），尽管对于包含此类信息的理论辩护仍是一个开放性问题。该实现使用基于排列的皮尔逊相关系数进行独立性检验，以保持非参数灵活性。

核心贡献

理论重构： 本文通过将 GC 置于 CBN 和莱兴巴赫原则的视角下，为结合 BVGC 和 MVGC 提供了严谨的辩护，从而赋予其因果解释。
算法开发： 引入了 c-GC 和 c-GC*，使这一理论框架得以操作化。
处理复杂结构： 该方法旨在处理反馈回路、循环性和双向相互作用，而不强制要求无环性，使其适用于生物神经网络等复杂系统。

结果
作者在合成数据和基准数据集上评估了 c-GC 和 c-GC*：

合成数据： 在具有已知地面真值矩阵（包括循环和双向链接）的模拟中，c-GC 和 c-GC* 均实现了高准确率、精确率和召回率。在线性及极小混沌系统中，c-GC 正确推断了所有链接且假阴性极少；而 c-GC* 则表现出略微保守的行为（多出一个假阳性）。
与前沿技术对比： 在各种模拟地形下，与流行的因果结构学习（CSL）算法（TCDF、NTS-NOTEARS、Tigramite）相比，c-GC 和 c-GC* 展示了鲁棒性。值得注意的是，虽然 Tigramite (FullCI) 实现了完美的召回率，但其精确率（0.51–1.00）低于 c-GC* (0.95–1.00)，表明 c-GC* 在边缘检测方面更为保守。
Sachs 蛋白质数据集： 应用于现实世界的 Sachs 信号传导数据集，该方法成功推断了几乎所有预期的因果连接，包括独特的定向链接 $PKA \to Jnk$ ，该链接仅在特定的数据试验中被检测到。
Lorenz-96 数据集： 在混沌 Lorenz-96 系统（ $p=40$ ）上，两种算法收敛于相似的性能指标，在较低混沌水平（ $F=10$ ）下观察到的结果比高混沌水平（ $F=40$ ）略好。

意义与主张
论文声称，通过从 CBN 和莱兴巴赫原则的角度重新解释 GC，它提供了一个“用于观测数据集因果发现的原则性框架”。作者断言，只要满足特定假设（因果充分性、忠实性和因果马尔可夫条件），这种重构就解决了 GC 缺乏因果基础的批评。这项工作证明，结合二元和多元测试不仅是启发式的，而且是推断真实因果链接条件的理论必然。作者得出结论，c-GC 在线性及非线性领域（包括具有循环和双向性的情况）均能产生令人满意的结果，为复杂动力系统中的因果发现提供了一个更稳健的替代方案。未来的工作规模适中，主要集中于将算法扩展到高维数据集。

这个“两人小队”是如何运作的

结果：新系统奏效了吗？

核心结论

类似论文