2．3 java程序实例   12 / 177 

格兰杰因果matlab代码探索性因果分析（ECA） 此代码集合用于对双变量时间序列数据执行探索性因果分析。 主要脚本是MATLAB脚本ECA ，其运行方式为 [TE,GC,PAI,L,LCC,g] = ECA(x,y,xtol,ytol,lags,E,tau,verb,skipGC) 其中x和y是时间序列数据的一维向量， xtol ， ytol和lags是传递给倾斜函数的参数（请参见）， E和tau是传递给PAI函数的参数（请参见），动词是可选的标志surpress命令行输出，并且skipGC是一个标志，可以选择禁止Granger因果关系计算。 TE是一个输出结构，其中包含使用Java Information Dynamics工具包（JIDT）计算得出的传输熵结果，该信息可以在doi：10.3389 / frobt.2014.00011中获得，并在doi：10.3389 / frobt.2014.00011中引入。 GC是一种输出结构，其中包含使用MATLAB的MVGC多元Granger因果关系工具箱进行Granger对数似然统计计算，可在doi：10.1016 / j.jneumet

格兰杰（Granger）于 1969 年提出了一种基于“预测”的因果关系（格兰杰因果关系），后经西蒙斯（1972 ,1980）的发展，格兰杰因果检验作为一种计量方法已经被经济学家们普遍接受并广泛使用，尽管在哲学层面上人们对格兰杰因果关系是否是一种“真正”的因果关系还存在很大的争议。

传统的计量经济思想是首先根据经济理论或实践经验确定变量,然后建立模型,进行回归分析,通过假设检验判断所选解释变量是否对被解释变量有显著影响.虽然我们也测定了两个变量之间的相关系数,但高度相关的两个变量,并不意味着他们之间就一定存在着因果关系

matlab代码影响对EEG单一试验和连接组进行分类 这是我于2019年8月5日至30日进行的项目的仓库。 __目标：使用机器学习工具（例如MNE库）对EEG任务相关的单项试验和功能连接进行分类。 理论：检查我的 原始数据：头皮脑电图数据-Biosemi-512 Hz-64电极-50位健康的人（.bdf） 任务：视觉空间注意任务（每个受试者每个主要状况约250次试验） 预处理数据（从EEGLAB到PYTHON） 对于ERP：在连续信号（Raw，.bdf）上闪烁并过滤假象，然后在ERPLAB / EEGLAB上进行分段（.set + .ftd） 对于wPLI：在连续信号上，应用SCD（Raw，.bdf），闪烁并过滤假象，选择14个电极，进行Beta和Gamma过滤，并进行Hilbert变换，并应用wPLI（.erp），然后进行10 ICA（connectomes）（。mat） ） 数据维度以纪元形式构建，以符合Python流程（最初为EEGLAB / MATLAB） 目标（1）随时代而定分为2个类：出席与否 言语上的问题：每个时期，作为电压信号（ERP）或特征权重（ICA），将成为两态分

格兰杰因果分析的toolbox，研究者需要细细品读的文章。

Eviews做单位根检验和格兰杰因果分析

神经格兰杰因果关系 Neural-GC存储库包含用于在多元时间序列中发现Granger因果网络的基于深度学习的方法的代码。 介绍了此处实现的方法。 安装 要安装代码，请克隆存储库。 您只需要Python 3 ， PyTorch (>= 0.4.0) ， numpy和scipy 。 用法 在笔记本cmlp_lagged_var_demo.ipynb ， clstm_lorenz_demo.ipynb和crnn_lorenz_demo.ipynb查看有关如何应用我们的方法的crnn_lorenz_demo.ipynb 。 这个怎么运作 在此存储库中实现的模型称为cMLP，cLSTM和cRNN，是通过分别预测每个时间序列对多元时间序列进行建模的神经网络。 在训练期间，对输入层权重矩阵的稀疏惩罚会将参数组设置为零，这可以解释为发现格兰杰非因果关系。 可以使用三种不同的惩罚训练cMLP模型：组套索

GRANGER_CAUSE 是格兰杰因果检验。 原假设是 y 不是格兰杰原因 x。 用户指定两个系列 x 和 y，以及要考虑的显着性水平和最大滞后数。 该函数根据贝叶斯信息准则为 x 和 y 选择最佳滞后长度。 该函数生成格兰杰因果检验的 F 统计量以及相应的临界值。 如果 F 统计量大于临界值，我们拒绝 y 不是格兰杰原因 x 的原假设。 输入 help granger_cause 以了解更多信息。

格兰杰因果matlab代码这是Bethany Lusch，Pedro D.Maia和J.Nathan Kutz于2016年9月发表在《物理评论E》上的“推断网络动态系统中的连接性：使用格兰杰因果关系的挑战”所使用的代码。 我们对因果网络结构已知的非线性模型生成的数据进行成对条件格兰杰因果关系测试。 具体来说，我们模拟了Kuramoto振荡器的联网系统，并使用重构了底层网络。 我们将结果与各种参数的基本事实进行比较。 该代码由Bethany Lusch编写，完全在Matlab中编写。 张贴它是为了使您可以重新创建论文的结果，但同时它也经过设计，可以成为针对任何网络推理方法的一组测试。 BaseExperiment.m是主要功能。 它具有许多参数，因此一切都可以改变。 UsualParams.mat包含默认参数。 ExperimentA1.m，experimentA2.m，...是调用BaseExperiment.m的脚本。 他们加载UsualParams.mat并更改该实验中不同的任何参数。 有关如何创建UsualParams.mat的信息，请参见SetUsualParams.m。 指示