AutoCause：一个在环境时间序列因果发现中自动化专家决策的Python框架

# AutoCause：一个自动化环境时间序列因果发现中专家决策的Python框架

来源：https://arxiv.org/html/2608.00198 \[orcid=0000\-0002\-5163\-413X\]\\cormark\[1\]\\creditConceptualization, Methodology, Software, Validation, Formal analysis, Writing – original draft 1\]organization=ISR\-Lisbon, Instituto Superior Técnico, addressline=Av\. Rovisco Pais 1, city=Lisbon, postcode=1049\-001, country=Portugal \[orcid=0000\-0003\-4277\-0292\]\\creditConceptualization, Supervision, Writing – review and editing 2\]organization=Digital Scholarship at Oxford, University of Oxford, city=Oxford, postcode=OX1 3BG, country=United Kingdom \[orcid=0000\-0002\-2564\-8116\]\\creditSupervision, Writing – review and editing 3\]organization=Jet Propulsion Lab\., Caltech, city=Pasadena, postcode=CA 91109, state=California, country=USA \[orcid=0000\-0002\-5655\-9562\]\\creditSupervision, Writing – review and editing \\cortext \[1\]Corresponding author Miguel Arana\-Catania\David R\. Ardila\[Rodrigo Ventura

###### 摘要

环境时间序列因果发现需要专家就方法选择、条件独立性检验、滞后范围、样本量充分性、多重检验控制和证据解释做出决策。这些选择在不同数据集上的应用不一致，导致生成的图无法比较、复现或审计。我们提出 AutoCause，一个开源 Python 工作流，它记录每项决策，从扩展的因果审计模块中导出默认设置，并允许领域信息的覆盖。该工作流封装了来自三个家族的四种成熟因果发现方法，添加了非因果参考模型，并根据方法计数支持对链接进行分级。在来自 DGP\-Atlas、TimeGraph 和基于拓扑的 CausalRivers 参考的 145 个数据集上，这些方法恢复了参考图的互补部分。在合成基准上，多数支持的链接比单方法链接更精确，但在河流拓扑上并非如此。AutoCause 将不一致的专家实践转化为可审计、可重复的分析；因果解释仍由分析师负责。可在[https://github.com/marcoruizrueda/autocause](https://github.com/marcoruizrueda/autocause)获取。

###### 关键词：因果发现\sep时间序列\sep环境应用\sep多方法共识\sep假设诊断\sep开源框架

## 1 引言

环境模型通常是为了回答本质上是因果性的问题而开发的：哪些变量驱动环境响应的变化，哪些相互作用是直接的而非由其他过程中介，哪些预测因子仅仅是共享强迫的代理变量，以及模型的哪些部分足够稳健以支持解释或管理决策。在大多数此类系统中，受控实验不可行，分析师必须使用监测基础设施提供的任何多变量记录。来自河网的10年流量序列、泥炭地的3年半小时通量记录、或十年的卫星大气柱都面临同样的解释性问题：变量是自相关的、受季节性强迫、非线性耦合，并受到没有传感器测量的驱动因素影响。在这些条件下，简单的关联（Pearson或Spearman相关）可能有信息量但不足：两个变量可能因为都对年周期作出响应、因为一个变量介导了另一个变量的效应、或因为第三个未观测过程驱动两者而高度相关。

为应对这种混淆，已有多个因果发现方法家族被开发出来，近期由 brouillard2025grounding、niu2024、runge2023causal 和 runge2019inferring