Transfer Entropy
Ayrıca şöyle bilinir: Schreiber Information Transfer, Directed Information Flow, Conditional Mutual Information (directed), Transfer Entropisi
İki davulcunun bir odada çaldığını hayal edin. Y davulcusunun son birkaç vuruşta ne çaldığını bilmek, X'in bir sonraki ne çalacağını tahmin etmenize yardımcı oluyorsa - X'in kendi son deseninden zaten tahmin edebileceğinizin ötesinde - o zaman Y, X'e 'bilgi aktarıyor' demektir. Transfer Entropy tam olarak bu ek tahminsel kazancı ölçer. Kazanç ne kadar büyükse, ilişkinin doğrusal veya içsel olarak doğrusal olmamasından bağımsız olarak Y'den X'e doğru yönlü etki o kadar güçlüdür.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Modelden bağımsız ve doğrusal olmayan: doğrusal veya Gauss varsayımı yapmadan herhangi bir fonksiyonel formdaki yönlü bağımlılıkları tespit eder.
Güçlü yönler & sınırlılıklar
- Yönlü ve asimetrik: T_{Y→X} ve T_{X→Y} farklı olabilir, bilgi akışının net yönünü ortaya çıkarır.
- Sağlam bilgi teorisine dayanır: belirsizlikte azalma olarak doğrudan yorumlanabilir, bit veya nat cinsinden ölçülür.
- Nörobilim ve finansdan iklim bilimi ve mühendisliğe kadar disiplinler arasında yaygın olarak uygulanabilir.
- Gömme boyutları k ve l'nin seçimine ve olasılık tahmin yöntemine (bölümleme vs. çekirdek vs. kNN) duyarlıdır.
- Göreceli olarak büyük örneklem boyutları gerektirir; N < 300–500 gözlem için performans belirgin şekilde düşer.
- Doğrudan nedensel etkiyi dolaylı yollardan veya ortak nedenli karıştırmadan üçüncü değişkenlere koşullamadan ayırt etmez.
- Yüksek boyutlu gömmeler veya birçok değişkeni içeren çok değişkenli uzantılar için hesaplama açısından pahalıdır.
- Durağanlığı ihmal etme: TE'nin durağan olmayan serilere trend giderme veya farklılaştırma yapmadan uygulanması, görünen bilgi transferini şişirir.
SSS
Granger nedenselliği, Y'nin geçmiş değerlerinin X'in doğrusal bir tahmin modelini iyileştirip iyileştirmediğini test eder. Transfer Entropy, doğrusal varsayımda bulunmaz: varyans azalması yerine entropi kullanarak aynı yönlü tahminsel kazancı ölçer. Gauss doğrusal süreçler için her iki ölçüm de eşdeğerdir, ancak TE, Granger nedenselliğinin kaçırdığı doğrusal olmayan kuplajı tespit eder. Maliyeti, daha yüksek veri talebi ve tahmin seçimlerine daha fazla duyarlılıktır.
Hangi gömme boyutları k ve l'yi seçmeliyim?
Evrensel bir cevap yoktur. Yaygın uygulama, k ve l'yi yanlış en yakın komşu yöntemi, Cao'nun kriteri veya tahmin edilen TE üzerinde Bayes model seçimi kullanarak seçmektir. k = l = 1 ile başlayıp TE stabilize olana kadar artırmak pragmatik bir ilk adımdır. Gereksiz yere büyük gömmeler, boyutluluk lanetini ve tahmin varyansını artırır.
Transfer Entropy gerçek nedenselliği kurabilir mi?
Hayır. Tüm gözlemsel ölçümler gibi, TE de müdahale edici nedenselliği değil, tahmin edici bilgi akışını tespit eder (Pearl veya Rubin anlamında). Ortak bir gizli sürücü, ölçüm gürültüsü veya durağan olmama, herhangi bir fiziksel nedensel bağ olmadan pozitif TE üretebilir. Nedensel iddiaları güçlendirmek için koşullu TE, zaman gecikmeli karşılıklı bilgi veya kontrollü deneyler gibi tamamlayıcı yaklaşımlar gereklidir.
Transfer Entropy, R'de RTransferEntropy veya infotheo paketleri aracılığıyla, Python'da IDTxl veya pyinform kütüphaneleri aracılığıyla ve MATLAB'da TRENTOOL araç kutusu aracılığıyla hesaplanabilir; bunların tümü yerleşik sürgü testi ve kNN tahmincileri sağlar.
Kaynaklar
- Schreiber, T. (2000). Measuring information transfer. Physical Review Letters, 85(2), 461–464. DOI: 10.1103/PhysRevLett.85.461 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). Transfer Entropy. ScholarGate. https://scholargate.app/tr/causal-inference/transfer-entropy
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Yakınsak Çapraz Eşleme (CCM)Nedensel çıkarım↔ karşılaştır
- Granger Nedensellik TestiEkonometri↔ karşılaştır
- Örnek EntropiKarmaşık sistemler↔ karşılaştır