ScholarGate
Asistente
Machine learningDynamical causality

Mapeo Cruzado Convergente (CCM)

El Mapeo Cruzado Convergente (CCM) es un método no lineal de espacio de estados para detectar causalidad entre variables de series temporales incrustadas en un sistema dinámico compartido. Introducido por George Sugihara y colegas en su influyente artículo de 2012 en Science, el CCM explota el teorema de incrustación de Takens: si la variable X influye causalmente en Y, el registro histórico de Y contiene suficiente información para recuperar los estados de X. La causalidad se confirma cuando la habilidad del mapeo cruzado mejora —converge— a medida que la biblioteca de series temporales se alarga.

Abrir en MethodMindPróximamenteVídeoPróximamenteDescargar diapositivas

Leer el método completo

Solo para miembros

Inicia sesión con una cuenta gratuita para leer esta sección.

Iniciar sesión

Mapa de métodos

El vecindario de métodos relacionados: selecciona un nodo para explorarlo.

Fuentes

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

Cómo citar esta página

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

¿Qué método?

Coloca este método junto a sus parientes más cercanos y léelos lado a lado: la biblioteca pone los libros sobre la mesa; la elección es tuya.

Comparar lado a lado

Citado por

ScholarGateConvergent Cross Mapping (Convergent Cross Mapping (CCM)). Recuperado el 2026-06-15 de https://scholargate.app/es/causal-inference/convergent-cross-mapping · Conjunto de datos: https://doi.org/10.5281/zenodo.20539026