Transfer Entropy
Transfer Entropy (TE) ist ein nicht-parametrisches, informationstheoretisches Maß für gerichtete statistische Abhängigkeit zwischen zwei Zeitreihen, eingeführt von Thomas Schreiber im Jahr 2000. Basierend auf der Shannon-Entropie quantifiziert es, wie sehr die Vergangenheit eines Prozesses Y die Unsicherheit über den nächsten Zustand eines anderen Prozesses X reduziert, über das hinaus, was die eigene Vergangenheit von X bereits liefert. Im Gegensatz zur linearen Korrelation oder Granger-Kausalität erfasst TE nichtlineare Wechselwirkungen und erfordert keine Modellannahmen über die zugrundeliegende Dynamik.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Methodenkarte
Die Nachbarschaft verwandter Methoden — wählen Sie einen Knoten, um sie zu erkunden.
Quellen
- Schreiber, T. (2000). Measuring information transfer. Physical Review Letters, 85(2), 461–464. DOI: 10.1103/PhysRevLett.85.461 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 2). Transfer Entropy. ScholarGate. https://scholargate.app/de/causal-inference/transfer-entropy
Welche Methode?
Stellen Sie diese Methode neben ihre nächsten Verwandten und lesen Sie sie nebeneinander — die Bibliothek legt die Bücher auf den Tisch; die Wahl liegt bei Ihnen.
- Convergent Cross Mapping (CCM)Kausale Inferenz↔ vergleichen
- Granger-KausalitätstestÖkonometrie↔ vergleichen
- Sample EntropyKomplexe Systeme↔ vergleichen
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →