[发明专利]一种基于峭度的因果网络推断方法

摘要

本发明涉及一种基于峭度的因果网络推断方法，通过基于峭度选择外生变量、逐层找出因果次序和利用最小二乘法剪边检验剪边三个过程，从而输出完整的因果网络，本发明对干扰变量的非高斯性的程度不敏感，稳定性强，特别是当非高斯性很弱时，依然能够保持很高的识别率，复杂度低，只需要对每个变量自身计算峭度，是一种直接的估计方式，因果网络识别正确率高。

主权项

一种基于峭度的因果网络推断方法，通过基于峭度选择外生变量、逐层找出因果次序和利用最小二乘法剪边检验剪边三个过程，其特征在于，包括以下步骤：1)、设置观察数据集X＝[x1,x2,…xn]，其中每个变量xi(i＝1,2,...n)包含p个样本数据，设置因果次序集合K为空集合；2)、计算每个变量xi(i＝1,2,...n)的峭度值ki(i＝1,2,...n)，找出最大峭度值max ki所对应的变量xm，那么变量xm即为外生变量，其计算式为：xm=argmaxi=1,2...nki]]>ki=u4σ4-3=E(xi4)(E(xi2))2-3,]]>其中，E(xi4)为变量xi四阶中心距，(E(xi2))2为xi方差的平方；3)、将其他变量与外生变量xm进行最小二乘回归，得到残差rim，其计算为：rim=xi-cov(xm,xi)var(xm)xm,]]>根据残差rim得到残差数据集Rm，从而得到更新后的观察数据集X＝Rm＝(r1m,r2m,...rim)；4)、将外生变量xm按照从左至右的顺序加入因果次序数集K中；5)、然后按照步骤2、3、4)迭代地的计算观察数据集X＝Rm＝(r1m,r2m,...rim)的外生变量，并将该外生变量加入到因果次序数集K中，并通过回归方法计算更新后的观察数据集X＝Rm＝(r1m,r2m,...rim)的残差和残差数据集，从而得到新的观察数据集；6)、按照步骤5)直至观察数据集中剩下最后一个变量，然后将剩下的最后一个变量加入因果次序数集K中；7)、根据因果次序数集K中的所有变量，对于排在任意变量xj(j＝1,2,...n)前面的所有变量进行多元最小二乘回归，找到回归系数等于0或者趋于0时所对应的变量，并剪去该变量到变量xj(j＝1,2,...n)的边；8)、重复步骤7)，直至因果次序数集K中剩下最后一个变量，输出完整的因果网络。