Machine learningInformation-theoretic causality
전이 엔트로피(Transfer Entropy)
전이 엔트로피(Transfer Entropy, TE)는 2000년 Thomas Schreiber가 소개한 두 시계열 간의 방향성 통계적 의존성에 대한 비모수적 정보 이론적 척도입니다. 섀넌 엔트로피에 기반하여, X의 자체 과거 정보가 이미 제공하는 것 이상으로, 한 과정 Y의 과거가 다른 과정 X의 다음 상태에 대한 불확실성을 얼마나 줄이는지를 정량화합니다. 선형 상관관계나 그레인저 인과관계와 달리, TE는 비선형 상호작용을 포착하며 근본적인 동역학에 대한 모델 가정을 요구하지 않습니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- Schreiber, T. (2000). Measuring information transfer. Physical Review Letters, 85(2), 461–464. DOI: 10.1103/PhysRevLett.85.461 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 2). Transfer Entropy. ScholarGate. https://scholargate.app/ko/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 →