跳转至

RKHS-Based Inference for Nonlinear Granger Causality via Conditional Centering

作者: Yuhan Tian, Adam Waterbury, Marie-Christine D\"uker
主题: 数理统计 / 假设检验
相关性: 7/10
链接: https://arxiv.org/abs/2609.22007

一、领域脉络与小综述

这个方向是什么：格兰杰因果（Granger causality）是时间序列分析中刻画"一个序列的过去是否对另一个序列的未来具有预测能力"的核心概念。经典方法基于线性向量自回归（VAR）模型，将因果检验化为对有限个回归系数的零假设检验。但现代应用中，变量间关系往往是非线性的（如阈值效应、交互作用、饱和效应），线性检验会丧失功效。本文所处的子方向是非线性格兰杰因果检验，更具体地说是基于核方法（RKHS）的非参数检验：不预设回归函数的参数形式，而是将回归函数嵌入再生核希尔伯特空间，通过检验某个函数是否恒为零来判定因果性。该方向的成熟度处于"方法快速发展但渐近理论尚不完整"的阶段——已有大量启发式方法和经验成功，但严格的分布理论（尤其是对时间序列依赖数据）是稀缺资源。

发展脉络（按引言中的引用线索）：

  • 奠基工作：Granger (1969, 1981) 定义了因果性的预测框架；Hannan (1970)、Geweke (1982)、Lütkepohl (2013) 建立了线性 VAR 下的完整推断理论。这一阶段的核心是"线性预测"和"有限参数约束"。
  • 非参数转向：Hiemstra and Jones (1994) 提出基于相关积分的检验，试图捕捉非线性依赖；Diks and Panchenko (2006) 修正了其有限样本偏差，提出基于密度估计的检验。这些方法针对的是分布层面的条件独立性，而非条件均值层面的预测关系，且收敛速度受维数灾难影响。
  • 条件均值层面的非参数检验：Nishiyama, Hitomi, Kawasaki, and Jeong (2011) 将零假设表述为条件矩限制，用函数空间的正交分解和用户指定的基函数构造加权卡方检验。这是与本文最接近的"竞争方法"，但其基函数需要人为选择，且没有利用核方法的自适应逼近能力。
  • 核方法与条件嵌入：Gretton et al. 的 HSIC 工作（2005 年原始论文，2007 年 JMLR 版本）建立了用 RKHS 嵌入检验独立性的框架；Zhang, Song, Gretton, and Smola (2008)、Chwialkowski and Gretton (2014)、Wang, Li, Zhu (2021) 将 HSIC 推广到时间序列。Muandet, Jitkrittum, Kübler (2020) 和 Escanciano (2024) 发展了核条件矩检验。这些工作提供了"用核函数构造矩条件"的工具箱，但没有针对格兰杰因果的特定结构（即"控制自身历史后，源历史是否还有预测力"）做专门处理。
  • 核格兰杰因果的经验方法：Marinazzo, Pellicora, and Ponti (2008a, 2008b) 提出用核空间中的几何投影度量非线性格兰杰因果，但没有建立渐近分布理论，无法提供 p 值或临界值。
  • 本文的位置：作者声称（引言第 3 段）"据我们所知，这是第一个将条件中心化与 RKHS 结合、在非线性 VAR 框架下同时获得加权卡方零分布极限和固定备择一致性的方法"。这个定位是否准确需要读者自行核查，但至少从引言给出的参考文献看，将"条件中心化核"用于格兰杰因果检验并给出完整渐近理论确实是本文的独特贡献。

子线索聚类：

  1. 条件均值格兰杰因果（本文所属）：零假设为 E[X_t | X_{t-1}, Y_{t-1}] = E[X_t | X_{t-1}]，即源历史对目标的条件均值无额外贡献。代表：Nishiyama et al. (2011)、本文。
  2. 分布格兰杰因果：零假设为 X_t ⊥ Y_{t-1} | X_{t-1}（条件独立性）。代表：Hiemstra-Jones、Diks-Panchenko、HSIC 类方法。
  3. 核方法工具线：条件均值嵌入（Grünwalder et al. 2012; Park and Muandet 2020; Mollenhauer and Koltai 2020; Li et al. 2022）、核条件矩检验（Muandet et al. 2020; Escanciano 2024）。本文的条件中心化核属于这一支，但应用场景是自回归时间序列而非 i.i.d. 数据。
  4. 非线性 VAR 估计线：Düker and Waterbury (2025) 提供了本文依赖的一阶段 KRR 估计理论，包括一致性和收敛速率。

这个方向在追问的核心问题：

  1. 如何定义"非线性预测贡献"：是条件均值层面的（本文），还是分布层面的（Diks-Panchenko）？不同定义导致不同的零假设和检验统计量。
  2. 如何避免维数灾难：非参数检验在高维状态空间中功效骤降。核方法通过隐式高维特征空间缓解这一问题，但代价是渐近分布变得复杂（加权卡方而非标准卡方）。
  3. 如何处理时间序列依赖：检验统计量的渐近理论必须处理序列相关。本文通过几何遍历性和鞅中心极限定理解决，而 HSIC 类方法通常需要额外的块采样或频谱修正。
  4. 如何校准临界值：加权卡方分布的权重是未知的，需要估计。本文提出谱近似（用经验特征值），这是实际可用性的关键。

⚠️ 作者的 framing（这是作者的说法，不是客观事实）：作者在引言中把缺口描述为"现有非线性格兰杰因果方法要么缺乏渐近理论（如 Marinazzo et al.），要么依赖用户指定的基函数（如 Nishiyama et al.），要么只检验独立性而非条件均值（如 HSIC 类方法）"，从而把本文定位成"显然的下一步"——用条件中心化核同时解决这三个问题。被淡化或回避的竞争路线包括：(a) 基于神经网络的格兰杰因果（如 Tank et al. 2022），作者只提了一句"主要用于预测而非推断"；(b) 基于局部多项式或样条的非参数检验，引言未讨论；(c) 基于距离相关性的检验（如 Székely et al.），未提及。什么明显该被引却没出现：HSIC 的原始论文 Gretton et al. (2005) 在引言中被引用为"Gretton et al. (2005)"，但参考文献列表中只有 Zhang et al. (2008) 和 Chwialkowski and Gretton (2014)，没有 Gretton et al. (2005) 的完整条目——这可能是引用格式问题，也可能是遗漏。另外，关于条件均值嵌入的经典工作（Smola et al. 2007; Song et al. 2009）未被引用，尽管本文的条件中心化核与这些工作高度相关。

张力：未见明显对立引用。但有一个值得注意的潜在张力：Nishiyama et al. (2011) 的检验也是针对条件均值格兰杰因果，且也声称对固定备择一致。本文与它的区别在于基函数选择（数据自适应 vs 用户指定）和渐近框架（RKHS 算子 vs 函数空间展开）。作者在 7.4 节的模拟中直接比较了两种方法，结果显示本文方法在非线性备择下功效更高——但这是模拟证据，不是理论结论。

二、最核心、最简单的例子 / 数学问题

第一步：符号、模型、可观测数据

设观测到平稳时间序列 \(\{(X_t, Y_t)\}_{t=0}^T\)，取值于 \(\mathbb{R}^2\)。数据生成机制为非线性 VAR(1) 模型：

\[X_t = g_X(X_{t-1}, Y_{t-1}) + \varepsilon_{X,t}, \qquad Y_t = g_Y(X_{t-1}, Y_{t-1}) + \varepsilon_{Y,t},\]

其中 \(g_X, g_Y: \mathbb{R}^2 \to \mathbb{R}\) 是有界可测函数，\((\varepsilon_{X,t}, \varepsilon_{Y,t})\) 是独立同分布的高斯噪声，均值为零、方差 \(\sigma^2\)，且与过去独立。记 \(\pi\) 为 \((X_0, Y_0)\) 的平稳分布。

核心记号：

记号 含义
\(X_t, Y_t\) 目标序列和源序列（随机变量）
\(g_X, g_Y\) 回归函数（未知，要推断的对象）
\(f_X(x) = E_\pi[g_X(X_0, Y_0) \mid X_0 = x]\) 自身历史成分（只依赖 \(X\)）
\(g_{X,0}(x,y) = g_X(x,y) - f_X(x)\) 正交成分（依赖 \(Y\) 的部分）
\(K_1: \mathbb{R} \times \mathbb{R} \to \mathbb{R}\) 一阶段核（用于估计 \(f_X\)）
\(\tilde{K}_2: \mathbb{R}^2 \times \mathbb{R}^2 \to \mathbb{R}\) 二阶段未中心化核
\(K_2^c\) 条件中心化核，见下
\(H_1, H_2\) 核 \(K_1\) 和 \(K_2^c\) 诱导的 RKHS
\(L_{11}, L_{12}, L_{21}^c, L_{22}^c\) 协方差/交叉协方差算子，见 (3.8)
\(Z_T\) 残差嵌入（RKHS 值随机元）
\(Q_T = \|Z_T\|_{H_2}^2\) 检验统计量
\(\lambda_{T,f}, \lambda_{T,K}\) 一阶段和二阶段正则化参数
\(\sigma^2\) 噪声方差
\(\pi, \pi_X\) 联合平稳分布和 \(X\) 的边缘分布
\(P^h\) \(h\) 步转移核
\(\rho, J\) 几何遍历性常数（见假设 4.1）

可观测数据：研究者只能看到 \(\{(X_t, Y_t)\}_{t=0}^T\) 的样本实现。\(g_X, g_Y, f_X, g_{X,0}\) 都是不可观测的。\(\sigma^2\) 未知但可从一阶段残差估计。

关键分解：将 \(g_X\) 分解为

\[g_X(x,y) = f_X(x) + g_{X,0}(x,y),\]
其中 \(f_X(x) = E_\pi[g_X(X_0, Y_0) \mid X_0 = x]\) 是 \(g_X\) 在"仅依赖 \(X\) 的函数子空间"上的正交投影，\(g_{X,0}\) 是投影后的残差。格兰杰非因果假设等价于 \(g_{X,0} = 0\)（在 \(L^2(\pi)\) 中）。

第二步：最小内核

把模型的所有一般性剥掉，剩下最核心的问题：

给定 \(T\) 个观测 \(\{(X_t, Y_t)\}\)，如何检验 \(g_{X,0} = 0\)？

最简特例：假设 \(f_X(x) = \sin(x)\) 已知，\(g_{X,0}(x,y) = a \cdot \cos(y)\)，其中 \(a\) 是未知标量。则模型为

\[X_t = \sin(X_{t-1}) + a\cos(Y_{t-1}) + \varepsilon_{X,t}.\]
格兰杰非因果假设 \(H_0: g_{X,0} = 0\) 退化为 \(H_0: a = 0\)。这是一个标准的参数假设检验问题：用 OLS 估计 \(a\)，构造 t 统计量。但在非参数设定下，\(g_{X,0}\) 是无穷维的，不能简化为有限维参数。

本文的核心思想（在最小内核下）：

  1. 第一步（一阶段）：用核岭回归（KRR）在 \(H_1\) 中估计 \(f_X\)，得到 \(\hat{f}_X\)。残差为

    \[\hat{e}_t = X_t - \hat{f}_X(X_{t-1}).\]
    在 \(H_0\) 下，\(\hat{e}_t \approx \varepsilon_{X,t}\)；在备择下，\(\hat{e}_t\) 还包含 \(g_{X,0}(X_{t-1}, Y_{t-1})\) 的信息。

  2. 第二步（二阶段）：将残差 \(\hat{e}_t\) 嵌入第二个 RKHS \(H_2\)，该 RKHS 由条件中心化核 \(K_2^c\) 诱导。条件中心化的含义是：对任意 \((x,y) \in \mathbb{R}^2\)，

    \[K_2^c((x,y), \cdot) = \tilde{K}_2((x,y), \cdot) - E_\pi[\tilde{K}_2((X_0, Y_0), \cdot) \mid X_0 = x],\]
    即从原始核中减去"给定 \(X\) 后的条件均值"。这样做的效果是：\(H_2\) 中的函数自动与只依赖 \(X\) 的函数正交。因此，将残差嵌入 \(H_2\) 后，一阶段估计误差中与 \(X\) 对齐的部分被自动消除。

  3. 检验统计量：定义

    \[Z_T = \frac{1}{\sqrt{T}} \sum_{t=1}^T \hat{e}_t \, K_2^c((X_{t-1}, Y_{t-1}), \cdot) \in H_2,\]
    即残差与条件中心化核的加权和。\(Q_T = \|Z_T\|_{H_2}^2\) 度量了残差中与 \(Y\) 相关的信号强度。

  4. 为什么这个构造有效：

  5. 在 \(H_0\) 下，\(\hat{e}_t \approx \varepsilon_{X,t}\)，且 \(\varepsilon_{X,t}\) 与 \(K_2^c((X_{t-1}, Y_{t-1}), \cdot)\) 不相关（因为 \(K_2^c\) 是条件中心化的，且 \(\varepsilon_{X,t}\) 与过去独立）。因此 \(Z_T\) 是鞅差序列的部分和，由鞅中心极限定理收敛到高斯元。
  6. 在备择下，\(g_{X,0} \in H_2\)（由假设 3.2），残差中包含了 \(g_{X,0}\) 的信号，\(Z_T\) 的均值不为零，\(Q_T\) 发散。

为什么这个构造是"最小内核"：它抓住了问题的本质——如何构造一个对"源历史的额外预测贡献"敏感、但对"自身历史"不敏感的统计量。条件中心化核是答案：它自动将自身历史的部分投影掉，使得检验统计量只对 \(Y\) 的贡献敏感。所有技术复杂性（几何遍历性、算子摄动、鞅中心极限定理）都是为了让这个简单思想在依赖数据下成立。

三、这篇论文做了什么

三句话： 1. 研究了什么问题：在非线性 VAR 模型中，如何检验一个时间序列 \(Y\) 是否对另一个序列 \(X\) 的条件均值具有格兰杰因果影响，即检验 \(g_{X,0} = 0\)。 2. 核心方法：先用核岭回归估计自身历史成分 \(f_X\) 并得到残差，再将残差嵌入由条件中心化核诱导的 RKHS，构造平方范数检验统计量 \(Q_T\)，其零分布为加权卡方。 3. 主要结论：在几何遍历性和正则化条件下，oracle 统计量 \(Q_T\) 弱收敛到加权卡方分布；可行统计量 \(\hat{Q}_T\)（用经验中心化）保持相同的零分布极限；对固定备择，检验以概率 1 发散（一致性）。谱近似给出无需重抽样的 p 值。

关键设定与假设：

  • 模型：非线性 VAR(1)，见第二节。\(g_X, g_Y\) 有界，噪声高斯且方差 \(\sigma^2\)。
  • 假设 3.1（条件中心化）：核 \(K_2^c\) 满足 \(E_\pi[K_2^c((X_0, Y_0), \cdot) \mid X_0] = 0\)。这是整个构造的基石，它使得 \(H_2\) 与"只依赖 \(X\) 的函数空间"正交。
  • 假设 3.2（可表示性）：\(f_X \in H_1\)，\(g_{X,0} \in H_2\)。这保证了目标函数在相应 RKHS 中，KRR 估计和检验统计量能捕捉到信号。
  • 假设 4.1（几何遍历性）：马尔可夫链 \(\{(X_t, Y_t)\}\) 满足几何遍历性，即存在 \(\rho \in (0,1)\) 和可积函数 \(J\) 使得 \(\|P^h((x,y), \cdot) - \pi\|_{TV} \le \rho^h J(x,y)\)。这是处理依赖数据的关键假设，它允许用鞅中心极限定理和算子摄动论。
  • 假设 4.2（核有界性）：核 \(K_1, \tilde{K}_2\) 有界，保证嵌入算子和经验算子收敛。
  • 假设 4.3（噪声）：\(\varepsilon_{X,t}\) 高斯，保证鞅差序列的矩条件。
  • 假设 4.5（一阶段估计率）：\(\|\hat{f}_X - f_X\|_{H_1} = O_P(a_T)\)，\(a_T \to 0\)。这是从 Düker and Waterbury (2025) 借用的 KRR 收敛率。
  • 假设 4.6（调参条件）：\(T a_T^2 \to \infty\)，\(b_{\lambda_{T,K},c}^2 = o((T a_T^2)^{-1})\)，\(T \lambda_{T,K}^{2\gamma_\psi+1} \to \infty\)。这些条件平衡一阶段估计误差、中心化偏差和算子摄动。

主要结果：

  1. 定理 4.1（oracle 零分布）：在 \(H_0\) 下，\(Z_T \xrightarrow{d} G_2\)，其中 \(G_2\) 是 \(H_2\) 值高斯元，协方差算子为 \(\sigma^2 L_{22}^c\)。因此 \(Q_T \xrightarrow{d} \sum_j \sigma^2 \mu_j N_j^2\)，即加权卡方。
  2. 定理 4.2（oracle 一致性）：在固定备择下，\(Q_T / T \xrightarrow{P} \|L_{22}^c g_{X,0}\|_{H_2}^2 > 0\)，故 \(Q_T \to \infty\) 以概率 1。
  3. 定理 4.3（可行版本）：用经验中心化核 \(\hat{K}_2^c\) 代替 \(K_2^c\) 后，\(\hat{Z}_T^{res}\) 与 \(Z_T\) 的差是 \(o_P(1)\)，因此 \(\hat{Q}_T^{res}\) 保持相同的加权卡方极限。这是论文的核心技术贡献——证明经验中心化不改变渐近分布。
  4. 命题 4.2（谱近似）：\(\hat{L}_c\) 的特征值收敛到 \(L_c\) 的特征值，因此可以用经验特征值近似加权卡方的权重。
  5. 命题 4.3（调参可行性）：给出满足假设 4.6 的具体调参序列（对数或多项式衰减）。

证明路线：

  1. 整体逻辑：将可行统计量 \(\hat{Z}_T^{res}\) 分解为 oracle 部分 \(Z_T\) 加上三个余项（见 D.11）：
  2. 余项 1：一阶段 KRR 估计误差 \(\hat{f}_X - f_X\) 与中心化核的交互；
  3. 余项 2：经验中心化误差 \(\hat{m}_T - m\)（估计条件均值 \(m(x) = E[\tilde{K}_2((X_0,Y_0),\cdot) \mid X_0=x]\) 的误差）；
  4. 余项 3：创新项与中心化误差的交互。
  5. 关键步骤：
  6. 步骤 A：证明 \(Z_T\) 的鞅差结构。利用 \(K_2^c\) 的条件中心化性质，\(E[\varepsilon_{X,t} K_2^c((X_{t-1},Y_{t-1}),\cdot) \mid \mathcal{F}_{t-1}] = 0\)，从而 \(Z_T\) 是 \(H_2\) 值鞅差部分和。
  7. 步骤 B：用 \(H_2\) 值鞅中心极限定理（借用 Panaretos and Tavakoli 2013 的 Hilbert 空间 CLT）证明 \(Z_T \Rightarrow G_2\)。需要验证 Lindeberg 条件和协方差算子收敛。
  8. 步骤 C：控制余项 1。利用假设 4.5（\(\|\hat{f}_X - f_X\|_{H_1} = O_P(a_T)\)）和算子范数界，证明 \(\sqrt{T} \|\text{余项 1}\| = O_P(\sqrt{T} a_T \cdot \text{中心化误差})\)，在假设 4.6 下是 \(o_P(1)\)。
  9. 步骤 D：控制余项 2 和 3。这是最困难的部分。作者使用精确正则化算子分解（E.23）：
    \[(\hat{L}_{11} + \lambda I)^{-1} - (L_{11} + \lambda I)^{-1} = -(\hat{L}_{11} + \lambda I)^{-1}(\hat{L}_{11} - L_{11})(L_{11} + \lambda I)^{-1},\]
    将中心化误差分解为可控制的算子摄动项。结合几何遍历性下的协方差算子收敛速率（命题 C.2），证明这些余项是 \(o_P(1)\)。
  10. 步骤 E：对固定备择，证明 \(Z_T\) 的均值项 \(\sqrt{T} L_{22}^c g_{X,0}\) 主导方差项，从而 \(Q_T\) 发散。
  11. 技术技巧清单：
  12. Hilbert 空间鞅中心极限定理（Panaretos and Tavakoli 2013 的定理 7.1）：用于 \(Z_T\) 的弱收敛。
  13. 几何遍历性 + 算子摄动：用 \(\rho\)-混合不等式控制经验算子的收敛速率。
  14. 精确正则化算子分解（E.23）：这是论文的核心技巧，将 KRR 逆算子的误差分解为可处理的项。
  15. 谱截断：用有限维投影逼近无穷维算子，控制截断误差。
  16. Satterthwaite 近似：用矩匹配将加权卡方近似为 \(c\chi^2_\nu\)，避免模拟。

真实例子与应用：

  1. 心肺数据（PhysioNet）：从睡眠呼吸暂停患者记录的心率（HR）和呼吸（Resp）信号，各 17000 个观测（2 Hz）。将数据分为 85 个不重叠窗口，每个窗口 200 个观测。在每个窗口内，检验"呼吸是否格兰杰导致心率"。结果显示，在大多数窗口（约 80%）中，非线性检验拒绝了非因果假设，而线性检验只在约 40% 的窗口中拒绝。这说明了非线性检验的增量价值。作者还报告了检测到因果关系的窗口比例随时间的变化，发现其与呼吸暂停事件的发生时段有一定对应关系。

  2. 太阳-地磁数据：1932–2019 年的月度太阳黑子数（SN）和 Ap 地磁指数，共 1056 个观测。检验"太阳黑子数是否格兰杰导致 Ap 指数"。全样本分析中，非线性检验给出 p 值 0.0001，而线性检验给出 0.0196，两者都拒绝零假设，但非线性检验的证据更强。分段分析（每 11 年一个太阳周期）显示，非线性检验在第 1、4、7 段拒绝，而线性检验只在第 3 段拒绝，说明非线性关系在不同太阳周期中表现不同。

🔎 结论是否比证明窄：

  • 定理 4.3 的证明依赖假设 4.5，即一阶段 KRR 估计的 \(L^\infty\) 和 \(H^1\) 收敛速率。这个假设在论文中没有证明，而是引用 Düker and Waterbury (2025) 的定理 3.1。如果读者去查那篇论文，会发现其条件（如核的谱衰减、源条件）相当强。因此，定理 4.3 的适用范围实际上受限于 Düker and Waterbury (2025) 的框架。
  • 固定备择的一致性（定理 4.2）是在 oracle 设置下证明的。对于可行统计量 \(\hat{Q}_T^{res}\)，论文只证明了零分布极限（定理 4.3），没有明确陈述可行版本在固定备择下的一致性。虽然从定理 4.3 的证明可以推断（因为余项是 \(o_P(1)\)），但作者没有把它写成正式命题。
  • 谱近似的误差界：命题 4.2 只证明了特征值收敛，没有给出收敛速率。因此，用经验特征值近似加权卡方分布的误差是未知的。这在实践中意味着 p 值的精度没有理论保证。
  • 高斯噪声假设（假设 4.3）：论文明确说"为清晰起见"假设高斯噪声，并声称可推广到更一般的鞅差噪声，但没有给出证明。这是一个明确的窄结论。
  • 条件中心化的替代方案：第 6 节讨论了两种替代方案（线性 AR 基线、边际中心化），但没有为这些替代方案建立渐近理论，只是说"模拟显示可行"。这意味着论文的核心理论贡献仅限于条件中心化这一种构造。

四、开放问题（点到为止）

  1. 可行统计量在固定备择下的正式一致性：定理 4.2 只覆盖 oracle 设置。虽然从定理 4.3 的证明可以推断可行版本的一致性，但作者没有把它写成正式命题。要补这个缺口，需要验证余项在备择下也是 \(o_P(1)\)，这可能需要额外的矩条件。

  2. 谱近似的误差界：命题 4.2 只证明了特征值收敛，没有速率。要给出 p 值的精度保证，需要特征值摄动的定量界（如 Weyl 型不等式在迹类算子下的版本）。这直接关系到方法的实际可靠性。

  3. 非高斯噪声的推广：假设 4.3 的高斯性用于鞅中心极限定理的 Lindeberg 条件和矩计算。对更一般的鞅差噪声（如重尾或条件异方差），需要新的证明策略。模拟（7.3 节）显示重尾下表现尚可，但理论是空的。

  4. 调参的自适应选择：假设 4.6 给出了调参的理论条件，但实践中如何数据自适应地选择 \(\lambda_{T,f}\) 和 \(\lambda_{T,K}\)？论文只给出了"模拟中使用默认值"的说明，没有理论指导。这是一个典型的"理论条件不可检验"问题。

  5. 高维状态空间的扩展：论文的几何遍历性假设（4.1）在状态空间维数固定时合理，但高维 VAR 下 \(J\) 的可积性和 \(\rho\) 的界会随维数恶化。如何将方法扩展到高维或函数型时间序列，是一个自然的开放方向。

  6. 与分布格兰杰因果的联系：本文检验的是条件均值层面的因果性。当 \(g_{X,0} = 0\) 但条件分布仍依赖 \(Y\) 时（如方差格兰杰因果），本文的方法会失效。能否用类似的条件中心化构造检验分布层面的因果性，是一个值得探索的问题。

提醒：要确认上述开放问题是否是真 gap，建议去读 Nishiyama et al. (2011)、Düker and Waterbury (2025)、以及 HSIC 时间序列扩展（Zhang et al. 2008; Chwialkowski and Gretton 2014）的近期引用——如果多个近期工作都在解决同一问题，说明是共识性 gap；如果互相打架，则可能是机会。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论