Transfer Entropy
Transfer Entropy (TE) er et ikke-parametrisk, informationsteoretisk mål for rettet statistisk afhængighed mellem to tidsserier, introduceret af Thomas Schreiber i 2000. Baseret på Shannon-entropi kvantificerer den, hvor meget information fortiden af én proces Y reducerer usikkerheden om den næste tilstand af en anden proces X, ud over hvad X's egen fortid allerede giver. I modsætning til lineær korrelation eller Granger-kausalitet fanger TE ikke-lineære interaktioner og kræver ingen modelantagelser om den underliggende dynamik.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Schreiber, T. (2000). Measuring information transfer. Physical Review Letters, 85(2), 461–464. DOI: 10.1103/PhysRevLett.85.461 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 2). Transfer Entropy. ScholarGate. https://scholargate.app/da/causal-inference/transfer-entropy
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.
- Convergent Cross Mapping (CCM)Kausal inferens↔ compare
- Granger-kausalitetstestØkonometri↔ compare
- Sample EntropyKomplekse systemer↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →