导读:本文包含了因果图模型论文开题报告文献综述及选题提纲参考文献，主要关键词:Granger因果图,条件互信息,极限分布,关联积分
因果图模型论文文献综述
魏岳嵩[1]（2016）在《基于图模型方法的Granger因果性检验》一文中研究指出Granger因果性是衡量系统变量间动态关系的重要依据.本文利用图模型方法研究变量间的Granger因果性,建立了Granger因果图.基于条件互信息和置换检验法建立了Granger因果图结构的辨识方法,利用混沌理论中的关联积分估计相应的检验统计量,给出了统计量的渐进分布,并用所给方法研究国际主要股市间的Granger因果关系.(本文来源于《工程数学学报》期刊2016年03期）
魏岳嵩,杜翠真[2]（2014）在《非线性结构向量自回归模型因果关系的图模型辨识方法（英文）》一文中研究指出确定变量间的因果关系是时间序列分析的重要内容.传统的图模型因果推断算法有着明显的局限性,要求模型是线性的且噪声项服从Gauss分布.本文利用图模型方法辨识非线性结构向量自回归模型变量间的因果关系,给出了一种基于互信息和条件互信息的非线性结构向量自回归因果图模型结构的非参数辨识方法.数值模拟结果验证了方法的有效性.(本文来源于《工程数学学报》期刊2014年05期）
蔡风景,崔玉峰,李元[3]（2014）在《格兰杰因果图模型及其在股市信息传导中的应用》一文中研究指出利用格兰杰因果图表示多维时间序列变量间的因果关系,图中的点表示时间序列分量的点过程,图中的有向边反映序列间的格兰杰因果关系,无向边表示即期因果关系。利用部分定向相干技术研究了格兰杰因果图结构的识别问题,数值模拟表明该方法是有效的。将格兰杰因果图及识别方法应用于国际股票市场分析主要股指的信息流动,结果表明美国和香港股市在信息传导中起着重要作用,中国与国际主要股票市场的直接信息传导较弱,国际股市在信息流动中存在一定的区域效应。(本文来源于《数理统计与管理》期刊2014年04期）
张永媛[4]（2013）在《基于队列设计纵向监测与概率图模型的非酒精性脂肪肝与代谢综合征双向因果推断研究》一文中研究指出背景：众多纵向队列研究表明非酒精性脂肪肝增加代谢综合征的发生风险,然而另外一些研究认为代谢综合征是非酒精性脂肪肝的预测因子。非酒精性脂肪肝究竟是代谢综合征的因还是果目前尚不明确。因此,我们提出一种假设,非酒精性脂肪肝与代谢综合征之间存在双向因果关系。方法：基于本课题组构建的大型多中心纵向监测健康管理队列,从系统中提取山东省立医院和山东省千佛山医院健康管理中心两个分队列的2005年-2011年健康体检数据,构建非酒精性脂肪肝与代谢综合征的双向纵向监测队列(队列A：非酒精性脂肪肝→代谢综合征和队列B：代谢综合征→非酒精性脂肪肝)。队列A(sub-cohort A)是筛选出初次查体中无代谢综合征及其组分的人群进行随访,观察其终点时是否发生代谢综合征,队列B(sub-cohort B)是筛选出初次查体中未发生非酒精性脂肪肝的人群进行随访,观察终点是否发生非酒精性脂肪肝。队列A、B中分别纳入8426人、16110人。采用广义估计方程(GEE)模型初步探索非酒精性脂肪肝与代谢综合征之间的潜在双向因果关联,进而采用概率图模型(贝叶斯网络)进行二者之间的双向因果关系推断。结果：(1)经过6年随访,队列A中代谢综合征的发病密度是2.47/100人年队列B中非酒精性脂肪肝的发病密度是17.39/100人年。(2)GEE分析结果显示：队列A中,在调整和控制基线年龄、性别、时间、谷氨酰转肽酶、总蛋白、白球比、尿素氮、肌酐、总胆固醇、血红蛋白、平均红细胞体积、白细胞、饮食、吸烟和运动这些混杂因素后,脂肪肝患者发生代谢综合征的风险是非脂肪肝的5.23倍(RR=e1.65),脂肪肝作为代谢综合征的一个潜在预测因子；并且,脂肪肝也是肥胖、糖尿病、高血压及血脂紊乱——代谢综合征各组分的潜在病因(RR值分别为3.69、2.45、2.60、3.71)。队列B中,在调整和控制潜在混在因素后,代谢综合征患者发生非酒精性脂肪肝的风险是非代谢综合征的2.55倍(RR=e0.94),代谢综合征是非酒精性脂肪肝的一个病因,并且其各组分也是脂肪肝的潜在病因(RR值分别为3.29、1.75、1.92、2.36)。(3)贝叶斯网络因果推断结果表明非酒精性脂肪肝对代谢综合征的总作用是2.49%,而代谢综合征对脂肪肝的总作用是19.92%。非酒精性脂肪肝→代谢综合征有36条因果通路,其中最重要的路径是脂肪肝→升高的谷氨酰转肽酶→代谢综合征各个组分→代谢综合征；其次重要的因果路径是持久的非酒精性脂肪肝→肥胖→代谢综合征其他各组分→代谢综合征；然而如果通路中出现升高的胆固醇,代谢综合征的概率降低。反过来,代谢综合征→非酒精性脂肪肝有98条因果通路,其中占主导地位的是血脂紊乱→代谢综合征其他各组分→脂肪肝,并且血红蛋白、红细胞比容、红细胞分布宽度在这些因果路径中发挥了重要的作用；其次重要的因果路径依次以高血压、糖尿病、肥胖开始。结论：(1)中国汉族人群中非酒精性脂肪肝和代谢综合征的发病密度均较高,且非酒精性脂肪肝更高,应该引起重视；(2)非酒精性脂肪肝与代谢综合征二者之间互为双向因果关系,这种关系可由胰岛素抵抗来解释。(本文来源于《山东大学》期刊2013-05-20）
魏岳嵩,田铮[5]（2011）在《多维时间序列Granger因果性的一种图模型学习方法》一文中研究指出传统的两变量Granger因果分析法容易产生伪因果关系,且不能刻画变量间的同期因果性.利用图模型方法研究多维时间序列变量间Granger因果关系,通过Granger因果图的建立将问题转化为Granger因果图结构的辨识问题,利用局部密度估计法构造相应的辨识统计量,采用bootstrap方法来确定检验统计量的原分布.模拟分析以及对于中国股市间Granger因果关系的研究说明了该方法的有效性.(本文来源于《系统科学与数学》期刊2011年05期）
魏岳嵩,杜翠真[6]（2011）在《时间序列格兰杰因果性的图模型识别方法》一文中研究指出利用格兰杰因果图表示多维时间序列变量间的因果关系.图中的顶点集由序列的各个分量组成,顶点间的有向边表示分量序列间的格兰杰因果关系,无向边表示分量间的同期因果关系.研究了格兰杰因果图结构的识别问题,利用关联积分估计检验统计量,采用bootstrap方法来确定检验统计量的原分布.模拟和实例分析说明了本方法的有效性.(本文来源于《吉林师范大学学报(自然科学版)》期刊2011年01期）
王翠霞,贾仁安[7]（2007）在《复杂系统顶点赋权因果关系图模型及其应用研究》一文中研究指出构建了介于系统动力学因果关系图模型和流图模型之间的中间模型——复杂系统顶点赋权因果关系图模型,提出定性与定量相结合的复杂系统顶点赋权因果关系图分析法。通过一个以生猪规模养殖为主体的农业生态系统可持续发展的反馈分析案例,演示了利用其对系统进行定性与定量相结合的系统分析的基本步骤及优势。(本文来源于《安徽农业科学》期刊2007年06期）
赵慧,郑忠国,许静[8]（2006）在《含隐变量和选择偏差的图模型中的因果推断》一文中研究指出Bayes网络常用于多变量间的因果推断,但当存在未观测的隐变量和选择变量时,这种图模型往往无法正确描述观测变量间的因果关系。作者利用在观测变量上构造的最大祖先图模型刻画观测变量间的独立性关系和因果结构,并提出了具体的实现算法,从而可由观测数据来推断这类不完全观测下的部分因果关系。(本文来源于《北京大学学报(自然科学版)》期刊2006年05期）
赵慧,郑忠国,许静[9]（2006）在《含隐变量和选择偏差的图模型中的因果推断》一文中研究指出Bayes网络常用于多变量间的因果推断,但当存在未观测的隐变量和选择变量时,这种图模型往往无法正确描述观测变量间的因果关系。作者利用在观测变量上构造的最大祖先图模型刻画观测变量间的独立性关系和因果结构,并提出了具体的实现算法,从而可由观测数据来推断这类不完全观测下的部分因果关系。(本文来源于《北京大学学报(自然科学版)网络版(预印本)》期刊2006年02期）
因果图模型论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
确定变量间的因果关系是时间序列分析的重要内容.传统的图模型因果推断算法有着明显的局限性,要求模型是线性的且噪声项服从Gauss分布.本文利用图模型方法辨识非线性结构向量自回归模型变量间的因果关系,给出了一种基于互信息和条件互信息的非线性结构向量自回归因果图模型结构的非参数辨识方法.数值模拟结果验证了方法的有效性.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
因果图模型论文参考文献
[1].魏岳嵩.基于图模型方法的Granger因果性检验[J].工程数学学报.2016
[2].魏岳嵩,杜翠真.非线性结构向量自回归模型因果关系的图模型辨识方法（英文）[J].工程数学学报.2014
[3].蔡风景,崔玉峰,李元.格兰杰因果图模型及其在股市信息传导中的应用[J].数理统计与管理.2014
[4].张永媛.基于队列设计纵向监测与概率图模型的非酒精性脂肪肝与代谢综合征双向因果推断研究[D].山东大学.2013
[5].魏岳嵩,田铮.多维时间序列Granger因果性的一种图模型学习方法[J].系统科学与数学.2011
[6].魏岳嵩,杜翠真.时间序列格兰杰因果性的图模型识别方法[J].吉林师范大学学报(自然科学版).2011
[7].王翠霞,贾仁安.复杂系统顶点赋权因果关系图模型及其应用研究[J].安徽农业科学.2007
[8].赵慧,郑忠国,许静.含隐变量和选择偏差的图模型中的因果推断[J].北京大学学报(自然科学版).2006
[9].赵慧,郑忠国,许静.含隐变量和选择偏差的图模型中的因果推断[J].北京大学学报(自然科学版)网络版(预印本).2006
标签：Granger因果图; 条件互信息; 极限分布; 关联积分;