Machine learningInformation-theoretic causality

آنتروپی انتقال

آنتروپی انتقال (TE) یک معیار غیرپارامتری و نظریه اطلاعاتی از وابستگی آماری جهت‌دار بین دو سری زمانی است که توسط توماس شرایبر در سال ۲۰۰۰ معرفی شد. این معیار که بر اساس آنتروپی شانون بنا شده است، میزان اطلاعاتی را که گذشته یک فرآیند Y، عدم قطعیت در مورد حالت بعدی فرآیند دیگر X را فراتر از آنچه که گذشته خود X از قبل فراهم می‌کند، کاهش می‌دهد، اندازه‌گیری می‌کند. برخلاف همبستگی خطی یا علیت گرنجر، TE برهم‌کنش‌های غیرخطی را در بر می‌گیرد و نیازی به مفروضات مدل در مورد دینامیک زیربنایی ندارد.

باز کردن در MethodMindبه‌زودیویدیوبه‌زودیDownload slides

مطالعهٔ کامل روش

ویژهٔ اعضا

برای خواندن این بخش با حساب رایگان وارد شوید.

ورود

Method map

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

منابع

  1. Schreiber, T. (2000). Measuring information transfer. Physical Review Letters, 85(2), 461–464. DOI: 10.1103/PhysRevLett.85.461

نحوهٔ استناد به این صفحه

ScholarGate. (2026, June 2). Transfer Entropy. ScholarGate. https://scholargate.app/fa/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.

Compare side by side

ارجاع‌شده در

ScholarGateTransfer Entropy (Transfer Entropy). بازیابی‌شده در 2026-06-15 از https://scholargate.app/fa/causal-inference/transfer-entropy · مجموعه‌داده: https://doi.org/10.5281/zenodo.20539026