ScholarGate
Assistente
Machine learningDynamical causality

Mapeamento Cruzado Convergente (CCM)

O Mapeamento Cruzado Convergente (CCM) é um método não linear de espaço de estados para detectar causalidade entre variáveis de séries temporais incorporadas em um sistema dinâmico compartilhado. Introduzido por George Sugihara e colegas em seu artigo seminal de 2012 na Science, o CCM explora o teorema de incorporação de Takens: se a variável X influencia causalmente Y, o registro histórico de Y contém informações suficientes para recuperar os estados de X. A causalidade é confirmada quando a capacidade de mapeamento cruzado melhora — converge — à medida que a biblioteca de séries temporais se torna mais longa.

Abrir no MethodMindEm breveVídeoEm breveBaixar slides

Leia o método completo

Exclusivo para membros

Entre com uma conta gratuita para ler esta seção.

Entrar

Mapa de métodos

A vizinhança de métodos relacionados — selecione um nó para explorar.

Fontes

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

Como citar esta página

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

Qual método?

Coloque este método ao lado dos seus pares mais próximos e leia-os lado a lado — a biblioteca dispõe os livros sobre a mesa; a escolha é sua.

Comparar lado a lado

Referenciado por

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