Literatur |
Spirtes, P., Glymour, C., and Scheines, R., Causation, Prediction, and Search (MIT Press, Boston, 2000);
Peters, J., Janzing, D., and Schölkopf, B., Elements of causal inference: foundations and learning algorithms (MIT Press, Cambridge, 2017) |
Lerninhalte |
The lecture “Kausale Inferenz mit Anwendungen auf Zeitreihen”(english: Causal inference with applications to time series) introduces fundamental concepts of statistical causality theory based on the works of Pearl and Spirtes, including the mathematical basics. Starting from the concepts of graphical models and conditional independence, we will discuss learning algorithms and the associated challenges of statistical inference. Since time series are ubiquitous in many applied fields, a focus will lie on challenges and algorithms related to time series data. The concepts will be illustrated on climate time series.
In der Vorlesung ”Kausale Inferenz mit Anwendungen auf Zeitreihen” werden grundlegende Konzepte der Kausalität nach Pearl und Spirtes eingeführt und der zugehörige mathematische Apparat vorgestellt. Ausgehend vom Konzept der Graphischen Modelle und bedingten Unabhängigkeiten werden Lernalgorithmen diskutiert. Ein wichtiger Teil ist die praktische Schätzproblematik für das Lernen kausaler Graphen und statistischer Verfahren zum Schätzen von bedingten Unabhängigkeiten. Da in vielen angewandten Wissenschaften Zeitreihendaten vorkommen, wird ein besonderer Schwerpunkt auf die für Zeitreihen charakteristischen Problemstellungen liegen. Den Abschluss bilden beispielhafte Anwendungen von kausalen Inferenzmethoden auf Klimazeitreihen. |