更改

<math>ge_{M | m} = ga_{M | m} \left( \frac{1}{N} \sum_{i=1}^{N} gc_{m_i \to M} \right)</math>

<math>ge_{M | m} = ga_{M | m} \left( \frac{1}{N} \sum_{i=1}^{N} gc_{m_i \to M} \right)</math>

其中，<math>ge_{M|m}</math> 表示宏观变量 <math>M</math> 在微观变量 <math>m</math> 集合中的格兰杰涌现性。该度量捕捉了弱涌现性的三个基本直觉：它是名义涌现性的一个子集，涉及对底层过程的依赖，并且它涉及从底层过程中的自主性。公式中的 <math>N</math> 表示微观变量的数量，<math>gc_{m_i \to M}</math> 表示单个微观变量 <math>m_i</math> 对宏观变量 <math>M</math> 的格兰杰因果性。重要的是，<math>ge_{M|m}</math> 将为零，如果 <math>M</math> 独立于 <math>m</math> 或者 <math>M</math> 完全被 <math>m</math> 预测。

其中，<math>ge_{M|m}</math> 表示宏观变量 <math>M</math> 在微观变量 <math>m</math> 集合中的格兰杰涌现性。该度量捕捉了弱涌现性的三个基本直觉：它是名义涌现性的一个子集，涉及对底层过程的依赖，并且它涉及从底层过程中的自主性。<math>ga_{X_1 | X_2}</math> 表示变量 <math>X_1</math> 相对于变量 <math>X_2</math> 的格兰杰自主性。公式中的 <math>N</math> 表示微观变量的数量，<math>gc_{m_i \to M}</math> 表示单个微观变量 <math>m_i</math> 对宏观变量 <math>M</math> 的格兰杰因果性。重要的是，<math>ge_{M|m}</math> 将为零，如果 <math>M</math> 独立于 <math>m</math> 或者 <math>M</math> 完全被 <math>m</math> 预测。

在什么情况下格兰杰涌现性可能会很高？如果有“隐藏”或“潜在”的影响，即回归中未表现出来的相关微观因果因素，宏观变量可能从一组微观变量中涌现。然而，即使所有微观因果因素都存在，格兰杰涌现性仍可能因为依赖于所用的预测算法而产生。可以认为，事实上，为了在实践中有用，格兰杰涌现性是必要的，因为在某些情况下，宏观变量对预测算法来说比微观变量的集合更具有认识透明性。这也与Bedau的弱涌现性一致，在这种情况下，“除了通过模拟外不可导出”被格兰杰因果关系的“（不）可预测性”所取代。

在什么情况下格兰杰涌现性可能会很高？如果有“隐藏”或“潜在”的影响，即回归中未表现出来的相关微观因果因素，宏观变量可能从一组微观变量中涌现。然而，即使所有微观因果因素都存在，格兰杰涌现性仍可能因为依赖于所用的预测算法而产生。可以认为，事实上，为了在实践中有用，格兰杰涌现性是必要的，因为在某些情况下，宏观变量对预测算法来说比微观变量的集合更具有认识透明性。这也与Bedau的弱涌现性一致，在这种情况下，“除了通过模拟外不可导出”被格兰杰因果关系的“（不）可预测性”所取代。