Machine learningDynamical causality

Convergent Cross Mapping (CCM)

Convergent Cross Mapping (CCM) és un mètode no lineal d'espai d'estats per detectar causalitat entre variables de sèries temporals incrustades en un sistema dinàmic compartit. Introduït per George Sugihara i col·legues en el seu article clau del 2012 a Science, CCM aprofita el teorema d'incrustació de Takens: si la variable X influeix causalment en Y, el registre històric de Y conté prou informació per recuperar els estats de X. La causalitat es confirma quan la precisió del cross-map millora —convergeix— a mesura que la biblioteca de sèries temporals s'allarga.

Obre a MethodMindAviatVídeoAviatDownload slides

Llegeix el mètode complet

Només per a membres

Inicia la sessió amb un compte gratuït per llegir aquesta secció.

Inicia la sessió

Method map

The neighbourhood of related methods — select a node to explore.

Fonts

  1. Sugihara, G., et al. (2012). Detecting causality in complex ecosystems. Science, 338(6106), 496–500. DOI: 10.1126/science.1227079

Com citar aquesta pàgina

ScholarGate. (2026, June 2). Convergent Cross Mapping (CCM). ScholarGate. https://scholargate.app/ca/causal-inference/convergent-cross-mapping

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side

Citat per

ScholarGateConvergent Cross Mapping (Convergent Cross Mapping (CCM)). Recuperat el 2026-06-15 de https://scholargate.app/ca/causal-inference/convergent-cross-mapping · Conjunt de dades: https://doi.org/10.5281/zenodo.20539026