更改

<math>Y</math>的动态复杂性降低/提高，那么从<math>X</math>到<math>Y</math>存在非零的压缩复杂性因果关系。

<math>Y</math>的动态复杂性降低/提高，那么从<math>X</math>到<math>Y</math>存在非零的压缩复杂性因果关系。

=== 格兰杰因果（GC） ===

=== 格兰杰因果 ===

格兰杰因果是一种基于预测的因果关系统计概念。这是第一个直接基于维纳方法的方法，因此它通常被称为维纳 - 格兰杰因果关系[20]。要检查一个过程<math>X</math>是否格兰杰导致另一个过程<math>Y</math>，需要为<math>Y</math>建模两个单独的自回归过程以供考虑：

格兰杰因果（Granger Causality，GC）是一种基于预测的因果关系统计概念。这是第一个直接基于维纳方法的方法，因此它通常被称为维纳 - 格兰杰因果关系<ref name=wiener_1956>{{cite journal |last1=Wiener|first1=Norbert|title=The theory of prediction|journal=Modern Mathematics for Engineers|volume=1|pages=125-139|year=1956}}</ref>。要检查一个过程<math>X</math>是否格兰杰导致另一个过程<math>Y</math>，需要为<math>Y</math>建模两个单独的自回归过程以供考虑：

<math>Y(t)=\sum_{\tau = 1}^{\infty}(a_{\tau}Y(t - \tau))+\sum_{\tau = 1}^{\infty}(c_{\tau}X(t - \tau))+\varepsilon_{c}</math>（1）

<math>Y(t)=\sum_{\tau = 1}^{\infty}(a_{\tau}Y(t - \tau))+\sum_{\tau = 1}^{\infty}(c_{\tau}X(t - \tau))+\varepsilon_{c}</math>（1）