Beyond Coefficients: Forecast-Necessity Testing for Interpretable Causal Discovery in Nonlinear Time-Series Models

Dieser Artikel schlägt eine neue Methode namens „Forecast-Necessity Testing“ für die interpretierbare kausale Entdeckung in nichtlinearen Zeitreihenmodellen vor. Ziel ist es, über traditionelle Koeffizienten hinauszugehen, um komplexe kausale Beziehungen besser zu verstehen.