Causal inference for time series data
"Korrelation ist keine Kausalität" - nach diesem Mantra scheint sich das datenbasierte Lernen von Kausalbeziehungen einer wissenschaftlichen Behandlung zu entziehen. Doch in den letzten Jahrzehnten hat sich die moderne Kausalitätstheorie, die von Informatikern wie Judea Pearl und Philosophen wie Peter Spirtes und Clark Glymour begründet wurde, durchgesetzt. Diese Theorie stellt die Beschreibung von Kausalbeziehungen auf eine mathematische Grundlage und legt die Bedingungen fest, unter denen kausale Abhängigkeiten aus Beobachtungsdaten geschätzt werden können. Das Modul zielt auf ein Verständnis der mathematischen Kausalitätskonzepte sowie des statistischen Schätzproblems ab und wird die Methoden anhand von Anwendungsbeispielen, insbesondere zu Zeitreihen, illustrieren.
Grundlegende Konzepte der Kausalität nach Pearl und Spirtes werden eingeführt und der zugehörige mathematische Apparat wird entwickelt. Es werden Lernalgorithmen auf der Grundlage des Konzepts der grafischen Modelle und der bedingten Unabhängigkeit diskutiert. Ein wichtiger Teil ist das praktische Schätzproblem beim Lernen von Kausalgraphen und statistische Methoden zur Schätzung der bedingten Unabhängigkeit. Da Zeitreihendaten in vielen angewandten Wissenschaften vorkommen, wird ein besonderer Schwerpunkt auf die Herausforderungen gelegt, die für Zeitreihen charakteristisch sind. Das Modul wird durch beispielhafte Anwendungen von Methoden auf reale Daten abgeschlossen.
Das Modul umfasst 2 SWS Vorlesung, 2 SWS Übung und das Selbststudium. Die Lehrsprache der Vorlesung ist Englisch.
Vorwissen auf dem Stand von CMS-COR-SAP (Stochastics and Probability)