AI-ordlista
Den kompletta ordlistan över AI
Granger Causality
Test statistique déterminant si les valeurs passées d'une variable X prédisent significativement les valeurs futures d'une variable Y, au-delà de l'information contenue dans les valeurs passées de Y seule. Ne prouve pas une causalité physique mais une prédictibilité temporelle directionnelle entre séries chronologiques.
Vector Autoregression (VAR)
Modèle économétrique multivarié capturant les interdépendances linéaires entre plusieurs séries temporelles, où chaque variable est expliquée par ses propres valeurs passées et celles des autres variables. Essentiel pour analyser les effets dynamiques et les relations causales dans les systèmes temporels complexes.
Transfer Entropy
Mesure informationnelle quantifiant le transfert d'information entre deux processus stochastiques, basée sur la théorie de l'information et capable de détecter des relations causales non linéaires. Calcule la réduction d'incertitude sur les états futurs d'une variable connaissant les états passés d'une autre variable.
Dynamic Causal Modeling
Cadre bayésien pour inférer les connexions causales directionnelles et leur modulation temporelle entre régions cérébrales ou systèmes dynamiques, basé sur des modèles biophysiques. Distingue la connectivité effective (causale) de la connectivité fonctionnelle dans les données temporelles.
Time-Varying Causality
Extension des méthodes de causalité temporelle permettant aux relations causales de varier dans le temps, capturant des changements structurels ou des régimes différents dans les données. Essentiel pour modéliser des systèmes où les influences causales évoluent dynamiquement.
Impulse Response Function
Fonction décrivant l'évolution temporelle des variables d'un système VAR en réponse à un choc exogène sur une variable, toutes autres choses égales par ailleurs. Permet de visualiser et quantifier la propagation temporelle des effets causaux à travers le système.
Convergent Cross Mapping
Méthode de détection de causalité basée sur la théorie des systèmes dynamiques non linéaires, identifiant les relations causales par la reconstruction d'états manifolds. Particulièrement efficace pour les systèmes couplés avec des interactions non linéaires et des boucles de rétroaction.
Interrupted Time Series
Design quasi-expérimental analysant l'impact d'une intervention sur une série temporelle en comparant les tendances avant et après le point d'interruption. Permet d'évaluer les effets causaux des politiques, traitements ou événements exogènes sur les trajectoires temporelles.
Counterfactual Time Series Analysis
Approche inférentielle estimant ce qui se serait passé en l'absence d'une intervention, en construisant une série temporelle contrefactuelle synthétique à partir de données de contrôle. Fondamentale pour évaluer rigoureusement les effets causaux des interventions temporelles uniques.
Distributed Lag Models
Modèles de régression incorporant les effets retardés d'une variable explicative sur une variable réponse, permettant aux causes d'affecter les effets sur plusieurs périodes temporelles. Essentiels pour capturer les dynamiques d'ajustement et les effets persistants dans les données longitudinales.
State-Space Causal Models
Représentation mathématique des systèmes dynamiques où les relations causales sont modélisées à travers des états latents non observés évoluant temporellement. Permet de séparer le bruit de mesure de la dynamique causale sous-jacente et d'incorporer des mécanismes causaux complexes.
Temporal Causal Discovery
Ensemble d'algorithmes et méthodes identifiant automatiquement les structures causales à partir de données temporelles observées sans hypothèses a priori sur les relations. Combine contraintes temporelles, tests d'indépendance et optimisation pour reconstruire les graphes causaux dirigés.
Nonlinear Granger Causality
Extension du test de Granger causality capturant les relations prédictives non linéaires entre séries temporelles, utilisant des modèles comme les réseaux de neurones ou les noyaux. Essentiel lorsque les relations causales présentent des seuils, saturations ou comportements chaotiques.
Forecast Error Variance Decomposition
Technique VAR décomposant la variance de l'erreur de prévision de chaque variable en parts attribuables aux chocs sur les différentes variables du système. Quantifie l'importance relative des différentes causes dans l'explication de la variabilité temporelle de chaque variable.
Phase Locking Value
Mesure de synchronisation phase-phase entre deux signaux oscillatoires, quantifiant la constance de la différence de phase temporelle. Utilisée en neurosciences et traitement du signal pour détecter des relations causales basées sur le couplage de phase dans les données temporelles.
Longitudinal Causal Mediation
Analyse décomposant l'effet total d'un traitement sur un résultat en effets directs et indirects à travers des médiateurs mesurés longitudinalement. Permet de comprendre les mécanismes causaux temporels et les chaînes de causalité dans les études de cohortes.
Dynamic Structural Equation Modeling
Extension of structural equation modeling to longitudinal data, incorporating recurrent causal effects and stationary stochastic processes. Combines causal theory and temporal dependencies to test complex hypotheses about dynamic mechanisms.