Über Koeffizienten hinaus: Forecast-Notwendigkeitstests für interpretierbare Kausalitätserkennung in nichtlinearen Zeitreihenmodellen

arXiv:2604.18751v1 Nichtlineare Machine-Learning-Modelle werden zunehmend zur Entdeckung von Kausalbeziehungen in Zeitreihendaten verwendet, doch die Interpretation ihrer Ausgaben bleibt schlecht verstanden. Insbesondere werden Kausalwerte, die von regularisierten neuronalen autoregressiven Modellen produziert werden…