更改

<math>F_{X \to Y}=\ln\frac{\varepsilon}{\varepsilon_{c}}</math>（3）

<math>F_{X \to Y}=\ln\frac{\varepsilon}{\varepsilon_{c}}</math>（3）

这个度量被称为<math>F</math> - 统计量。如果由方程（1）表示的模型比方程（2）更适合<math>Y(t)</math>，那么<math>var(\varepsilon_{c})<var(\varepsilon)</math>且<math>F_{X \to Y}</math>将大于0，这表明<math>X</math>格兰杰导致<math>Y</math>。尽管这种因果关系概念使用自回归模型，但由于模型的通用性质对潜在机制做了最小假设，因此该方法广泛用于不同学科的数据驱动因果效应度量。

这个度量被称为<math>F</math> - 统计量。如果由方程（1）表示的模型比方程（2）更适合<math>Y(t)</math>，那么<math>var(\varepsilon_{c})<var(\varepsilon)</math>且<math>F_{X \to Y}</math>将大于0，这表明<math>X</math>格兰杰导致<math>Y</math>。尽管这种因果关系概念使用自回归模型，但由于模型的通用性质对潜在机制做了最小假设，因此该方法广泛用在基于观察性数据的因果效应度量中。

 

=== 转移熵（TE） ===

=== 转移熵（TE） ===

转移熵量化过程<math>J</math>对系统<math>I</math>的转移概率的影响[18]。它衡量假设变量<math>I</math>的当前状态<math>i_{n + 1}</math>与变量<math>J</math>的过去状态<math>j_{n}^{(l)}</math>独立（即假设其分布为<math>q = p(i_{n + 1}|i_{n}^{(k)})</math>而不是<math>p(i_{n + 1}|i_{n}^{(k)}, j_{n}^{(l)})</math>）时需要付出的信息论比特的额外代价。这里<math>k</math>和<math>l</math>分别表示<math>I</math>和<math>J</math>的过去状态的数量，过程<math>I</math>的任何状态<math>i_{n + 1}</math>的概率分布依赖于这些过去状态。数学上，

转移熵量化过程<math>J</math>对系统<math>I</math>的转移概率的影响[18]。它衡量假设变量<math>I</math>的当前状态<math>i_{n + 1}</math>与变量<math>J</math>的过去状态<math>j_{n}^{(l)}</math>独立（即假设其分布为<math>q = p(i_{n + 1}|i_{n}^{(k)})</math>而不是<math>p(i_{n + 1}|i_{n}^{(k)}, j_{n}^{(l)})</math>）时需要付出的信息论比特的额外代价。这里<math>k</math>和<math>l</math>分别表示<math>I</math>和<math>J</math>的过去状态的数量，过程<math>I</math>的任何状态<math>i_{n + 1}</math>的概率分布依赖于这些过去状态。数学上，