格兰杰因果
Parent: ai_keywords
格兰杰因果（Granger Causality）
核心定义
格兰杰因果由诺贝尔经济学奖得主 Clive Granger 于 1969 年提出，是一种基于时间序列预测的统计因果推断方法。其核心逻辑为：若在包含变量 X 和 Y 历史信息的自回归模型中，纳入 X 的滞后值能显著提升对 Y 未来值的预测精度（优于仅用 Y 自身滞后值的模型），则认为 X 是 Y 的格兰杰因。需明确，该概念仅衡量“预测能力”，而非真正的机制性或哲学意义上的因果关系。
关键技术点
-
线性自回归模型
基础形式为双变量 VAR（向量自回归）模型：
( Y_t = \alpha + \sum_{i=1}^p \beta_i Y_{t-i} + \sum_{i=1}^p \gamma_i X_{t-i} + \varepsilon_t )
通过 F 检验比较约束（(\gamma_i = 0)）与无约束模型的残差平方和是否显著差异。 -
滞后阶数选择
常用 AIC（赤池信息准则）或 BIC（贝叶斯信息准则）确定最优阶数 p，避免过拟合或遗漏。 -
显著性检验
采用 F 检验（线性）或卡方检验（多变量），原假设为“X 非格兰杰原因 Y”。 -
多变量与条件格兰杰因果
扩展至多变量系统（如条件格兰杰因果），引入协变量 Z 以排除间接路径的干扰，例如在神经信号分析中控制眼动或肌肉伪迹。 -
非线性扩展
针对脑电、fMRI 等复杂信号，使用核方法、神经网络或信息论（如转移熵）捕捉非线性因果流。
医学/神经科学应用场景
癫痫致痫区定位与传播网络分析（结合首都医科大学神经病学实践）
在难治性癫痫术前评估中，患者颅内植入立体脑电图（SEEG）电极。采集发作间期和发作期的高频振荡（80–500 Hz）时间序列，对多通道信号逐对计算频域格兰杰因果。通过因果密度图可识别“因节点”（即致痫区，常表现为出度显著升高），并构建癫痫活动的传播路径（如从颞叶内侧向岛叶、颞叶新皮层扩散）。首都医科大学附属北京天坛医院团队曾利用该技术验证：杏仁核-海马网络中的因果流向与临床发作起源高度吻合（敏感性 > 85%），为手术切除范围提供量化依据。此外，该分析可区分“驱动性”节律与“被动响应”节律，避免误切非致痫的过路传导区。
