Resumen

Investigamos qué tan eficientemente se puede recuperar una conocida estructura de causalidad dispersa subyacente de un proceso lineal multivariado simulado a partir del análisis de series temporales de corta longitud. La causalidad se cuantifica a partir de la entropía de transferencia condicional y la red se construye conservando solo las contribuciones validadas estadísticamente. Comparamos resultados de tres metodologías: dos métodos de regularización comúnmente utilizados, Glasso y ridge, y una técnica recientemente introducida, LoGo, basada en la combinación de filtrado de información de red y modelado gráfico. Para estas tres metodologías exploramos las regiones de longitudes de series temporales y parámetros del modelo donde se recupera una fracción significativa de verdaderos enlaces de causalidad. Concluimos que cuando las series temporales son cortas, con longitudes más cortas que el número de variables, los modelos dispersos son más adecuados para descubrir verdaderos enlaces de causalidad, siendo LoGo el que recupera la red de causalidad verdadera de manera

• Materias:Simulación dinámica Toma de decisiones Regresión lineal Cargas controladas Seguridad multimedia
• Subjects:Dynamic simulation Decision making Linear regression Controlled loads Multimedia safety
• Palabras claves:Investigar; Subyacente; Disperso; Causalidad; Estructura; Series temporales
• Keywords:Investigate; Underlying; Sparse; Causality; Structure; Time series