VCDF: Ein robustes Framework zur kausalen Entdeckung in Zeitreihen

Die kausale Analyse von Zeitreihen ist entscheidend, um dynamische Systeme zu verstehen, doch viele bestehende Verfahren sind empfindlich gegenüber Rauschen, Nicht-Stationarität und Stichprobenvariabilität. Das neue Validated Consensus-Driven Framework (VCDF) bietet eine einfache, methodenunabhängige Schicht, die die Stabilität kausaler Beziehungen über blockierte Zeitabschnitte hinweg prüft und dadurch die Robustheit erhöht.

VCDF erfordert keine Änderungen an den zugrunde liegenden Algorithmen und lässt sich nahtlos auf Verfahren wie VAR‑LiNGAM und PCMCI anwenden. In synthetischen Tests verbesserte VCDF die F1‑Scores von VAR‑LiNGAM um etwa 0,08 bis 0,12, wobei die größten Gewinne bei mittleren bis langen Sequenzen erzielt wurden. Für Zeitreihen mit einer Länge von 1.000 Beobachtungen oder mehr konnte ein absoluter Anstieg von bis zu 0,18 erreicht werden.

Zusätzlich wurden simulierte fMRI‑Daten und IT‑Monitoring‑Szenarien untersucht, die zeigen, dass VCDF die Stabilität und strukturelle Genauigkeit unter realistischen Rauschbedingungen weiter steigert. Damit liefert VCDF eine zuverlässige Ergänzung für die kausale Entdeckung in Zeitreihen, ohne die zugrunde liegenden Modellannahmen zu verändern.