ScholarGate
Asszisztens
Machine learningDynamical causality

Konvergens Kereszt-leképezés (CCM)

A konvergens kereszt-leképezés (CCM) egy nemlineáris, állapottérbeli módszer az idősori változók közötti kauzalitás kimutatására, amelyek egy megosztott dinamikai rendszerbe vannak beágyazva. George Sugihara és kollégái által a 2012-es Science folyóiratban megjelent úttörő cikkükben bevezetett CCM a Takens-féle beágyazási tételt hasznosítja: ha az X változó kauzálisan befolyásolja az Y-t, akkor az Y történelmi adatai elegendő információt tartalmaznak az X állapotainak helyreállításához. A kauzalitást akkor erősítik meg, amikor a kereszt-leképezési pontosság – konvergál – ahogy az idősori könyvtár hossza nő.

Megnyitás itt: MethodMindHamarosanVideóHamarosanDiák letöltése

A teljes módszer elolvasása

Csak tagoknak

Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.

Bejelentkezés

Módszertérkép

A rokon módszerek környezete — válasszon ki egy csomópontot a felfedezéshez.

Források

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

Hogyan hivatkozzon erre az oldalra

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

Melyik módszer?

Állítsa e módszert a hozzá legközelebb álló rokonai mellé, és olvassa őket egymás mellett — a könyvtár az asztalra teszi a könyveket; a választás az Öné.

Összehasonlítás egymás mellett

Hivatkozik rá

ScholarGateConvergent Cross Mapping (Convergent Cross Mapping (CCM)). Letöltve 2026-06-15, forrás: https://scholargate.app/hu/causal-inference/convergent-cross-mapping · Adatkészlet: https://doi.org/10.5281/zenodo.20539026