Granger causality for ill-posed problems: Ideas, methods, and application in life sciences

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F16%3A00462344" target="_blank" >RIV/67985556:_____/16:00462344 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1002/9781118947074.ch11" target="_blank" >http://dx.doi.org/10.1002/9781118947074.ch11</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1002/9781118947074.ch11" target="_blank" >10.1002/9781118947074.ch11</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Granger causality for ill-posed problems: Ideas, methods, and application in life sciences

Popis výsledku v původním jazyce

Granger causality, based on a vector autoregressive model, is one of the most popular methods for uncovering the temporal dependencies between time series. The application of Granger causality to detect inference among a large number of variables (such as genes) requires a variable selection procedure. To address the lack of informative data, so-called regularization procedures are applied. In this chapter, we review current literature on Granger causality with Lasso regularization techniques for ill-posed problems (i.e., problems with multiple solutions). We discuss regularization procedures for inverse and ill-posed problems and present our recent approaches. These approaches are evaluated in a case study on gene regulatory networks reconstruction.

Název v anglickém jazyce

Granger causality for ill-posed problems: Ideas, methods, and application in life sciences

Popis výsledku anglicky

Granger causality, based on a vector autoregressive model, is one of the most popular methods for uncovering the temporal dependencies between time series. The application of Granger causality to detect inference among a large number of variables (such as genes) requires a variable selection procedure. To address the lack of informative data, so-called regularization procedures are applied. In this chapter, we review current literature on Granger causality with Lasso regularization techniques for ill-posed problems (i.e., problems with multiple solutions). We discuss regularization procedures for inverse and ill-posed problems and present our recent approaches. These approaches are evaluated in a case study on gene regulatory networks reconstruction.

Druh

C - Kapitola v odborné knize

CEP obor

BD - Teorie informace

OECD FORD obor

—

Projekt

<a href="/cs/project/GA13-13502S" target="_blank" >GA13-13502S: Plně pravděpodobností návrh dynamických rozhodovacích strategií s nedokonalými účastníky v tržních scénářích</a><br>

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2016

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název knihy nebo sborníku

Statistics and Causality: Methods for Applied Empirical Research

ISBN

9781118947043

Počet stran výsledku

28

Strana od-do

249-276

Počet stran knihy

480

Název nakladatele

John Wiley & Sons

Místo vydání

Hoboken

Kód UT WoS kapitoly

—