ScholarGate
Asistent
Machine learningDynamical causality

Convergent Cross Mapping (CCM)

Convergent Cross Mapping (CCM) este o metodă neliniară, bazată pe spațiul stărilor, pentru detectarea cauzalității între variabile de tip serii de timp încorporate într-un sistem dinamic comun. Introdusă de George Sugihara și colaboratorii săi în lucrarea lor fundamentală din 2012 din Science, CCM exploatează teorema de încorporare a lui Takens: dacă variabila X influențează cauzal pe Y, înregistrarea istorică a lui Y conține suficiente informații pentru a recupera stările lui X. Cauzalitatea este confirmată atunci când performanța hărții încrucișate se îmbunătățește — converge — pe măsură ce biblioteca de serii de timp devine mai lungă.

Deschide în MethodMindÎn curândVideoÎn curândDescarcă prezentarea

Citește metoda completă

Doar pentru membri

Autentifică-te cu un cont gratuit pentru a citi această secțiune.

Autentificare

Harta metodelor

Vecinătatea metodelor înrudite — selectați un nod pentru a explora.

Surse

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

Cum se citează această pagină

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

Ce metodă?

Așezați această metodă lângă cele mai apropiate rude și citiți-le alăturat — biblioteca pune cărțile pe masă; alegerea vă aparține.

Compară alăturat

Citat de

ScholarGateConvergent Cross Mapping (Convergent Cross Mapping (CCM)). Preluat la 2026-06-15 de pe https://scholargate.app/ro/causal-inference/convergent-cross-mapping · Set de date: https://doi.org/10.5281/zenodo.20539026