ScholarGate
Assistente
Machine learningDynamical causality

Convergent Cross Mapping (CCM)

Convergent Cross Mapping (CCM) è un metodo non lineare basato sullo spazio degli stati per rilevare la causalità tra variabili di serie temporali incorporate in un sistema dinamico condiviso. Introdotto da George Sugihara e colleghi nel loro fondamentale articolo del 2012 su Science, il CCM sfrutta il teorema di embedding di Takens: se la variabile X influenza causalmente Y, il registro storico di Y contiene informazioni sufficienti per recuperare gli stati di X. La causalità è confermata quando l'abilità della cross-map migliora — converge — all'aumentare della lunghezza della libreria di serie temporali.

Apri in MethodMindIn arrivoVideoIn arrivoDownload slides

Leggi il metodo completo

Riservato ai membri

Accedi con un account gratuito per leggere questa sezione.

Accedi

Method map

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

Fonti

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

Come citare questa pagina

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

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

Citato da

ScholarGateConvergent Cross Mapping (Convergent Cross Mapping (CCM)). Consultato il 2026-06-15 da https://scholargate.app/it/causal-inference/convergent-cross-mapping · Insieme di dati: https://doi.org/10.5281/zenodo.20539026