332
个编辑
更改
跳到导航
跳到搜索
第26行：
第26行： +
→Do形式及解释
[[do算子]]的引入让EI这个指标与其他信息度量指标截然不同，关键在于它是且仅是动力学的函数，一方面这使得它比其他想要刻画因果的指标（比如[[转移熵]]）更能抓住因果概念的本质，另一方面它需要你能够已知或获取到动力学机制，这在只有观测数据的情况下造成了计算上的困难。
[[do算子]]的引入让EI这个指标与其他信息度量指标截然不同，关键在于它是且仅是动力学的函数，一方面这使得它比其他想要刻画因果的指标（比如[[转移熵]]）更能抓住因果概念的本质，另一方面它需要你能够已知或获取到动力学机制，这在只有观测数据的情况下造成了计算上的困难。
=Markovian matrix 形式（TPM）=
=Markovian matrix 形式（TPM）=
[[Erik Hoel]]进一步将EI应用在一个[[随机过程]]的背景下，输入变量为<math>X_t</math>，输出变量为<math>X_{t+1}</math>，在将<math>X_t</math>[[干预]]为[[最大熵分布]]时，计算二者之间的[[互信息]]。在离散情况下，[[最大熵分布]]即为[[均匀分布]]。因为这里的EI计算只关乎两个时刻，在[[干预]]的情况下更早的历史变量不起作用，所以Hoel假定该过程的动力学就是一个满足[[马尔科夫性]]的[[概率转移矩阵]]。下面给出几个马尔科夫概率转移矩阵的示例。
[[Erik Hoel]]进一步将EI应用在一个[[随机过程]]的背景下，输入变量为<math>X_t</math>，输出变量为<math>X_{t+1}</math>，在将<math>X_t</math>[[干预]]为[[最大熵分布]]时，计算二者之间的[[互信息]]。在离散情况下，[[最大熵分布]]即为[[均匀分布]]。因为这里的EI计算只关乎两个时刻，在[[干预]]的情况下更早的历史变量不起作用，所以Hoel假定该过程的动力学就是一个满足[[马尔科夫性]]的[[概率转移矩阵]]。下面给出几个马尔科夫概率转移矩阵的示例。