计算两个时间序列的传递熵 transfer entropy

资 源 简 介

计算两个时间序列的传递熵 transfer entropy

详 情 说 明

传递熵是一种用于衡量两个时间序列之间信息流向的统计方法，它基于信息熵的概念，能够揭示变量间的非线性因果关系。在分析复杂系统（如金融数据、神经信号或气候系统）时，传递熵比传统相关性分析更能捕捉动态依赖关系。

核心思路分为三步： 信息熵基础：先计算单个时间序列的不确定性（信息熵），再通过联合熵和条件熵量化两个序列的关联。 时延嵌入：将时间序列转换为包含历史状态的嵌入向量，通常需选择最优的嵌入维度（如使用互信息法确定延迟参数）。 传递熵计算：比较“已知自身历史时目标序列的不确定性”与“额外已知另一序列历史时的不确定性减少程度”，差值即为传递熵值。

实际应用中需注意： 结果包含两个方向的值（X→Y和Y→X），非对称性可指示因果主导方向。 需处理有限数据带来的估计偏差，可通过Shannon熵或Kozachenko-Leonenko熵等方法改进。 统计显著性检验（如替代数据法）是必要步骤，避免误判随机波动为因果关系。

扩展场景中，传递熵可结合相位分析或耦合振荡模型，适用于脑网络研究或设备故障预测等高频采样数据场景。