Detecting causal relations among symbolic time series

• Autores: Delbianco, Fernando; Contiggiani, Federico Eduardo; Fioriti, Andrés; Tohmé, Fernando
• Año de publicación: 2026
• Idioma: inglés
• Tipo de recurso: artículo
• Materia: Economía y Contabilidad; Estadística y Probabilidad; Nonlinear systems; Economics; Causal Inference; Time Series Analysis; Economía y Contabilidad; Estadística y Probabilidad
• Institución: Universidad Nacional de Río Negro

Fil: Delbianco, Fernando. CONICET y Universidad Nacional del Sur. Instituto de Matemática de Bahía Blanca. Buenos Aires, Argentina.
Fil: Contiggiani, Federico Eduardo. Universidad Nacional de Río Negro. Instituto de Investigación en Políticas Públicas y Gobierno. Río Negro, Argentina.
Fil: Fioriti, Andrés. CONICET y Universidad Nacional del Sur. Instituto de Matemática de Bahía Blanca. Buenos Aires, Argentina.
Fil: Tohmé, Fernando. CONICET y Universidad Nacional del Sur. Instituto de Matemática de Bahía Blanca. Buenos Aires, Argentina.
Symbolic time series analyses are used in economics and other social sciences as a way of reducing the impact of noise on data and to exhibit more clearly the evolution of time series. We show that causality tests applied to symbolic series may fail to detect actual relations or generate statistical artifacts. Well-known causality detection methods, like transfer entropy, Granger?s test, or Peter-Clark Momentary Conditional Independence (PCMCI), may miss some existing causal relationships or, more frequently, yield non-existent ones. The performance of these methods may differ, depending on the specific choices of lag structures and alphabet sizes, as well as on the characteristics of the underlying dynamic process.
El análisis de series temporales simbólicas se emplea en la economía y otras ciencias sociales como una técnica para mitigar el impacto del ruido en los datos y exponer con mayor nitidez la evolución de dichas series. En este estudio, demostramos que las pruebas de causalidad aplicadas a series simbólicas pueden no detectar relaciones reales o, por el contrario, generar artefactos estadísticos. Métodos de detección de causalidad ampliamente reconocidos —tales como la entropía de transferencia, el test de Granger o la Independencia Condicional Momentánea de Peter-Clark (PCMCI)— pueden omitir vínculos causales existentes o, con mayor frecuencia, arrojar resultados espurios. El desempeño de estos métodos varía en función de las decisiones específicas sobre las estructuras de rezagos y el tamaño del alfabeto, así como de las propiedades intrínsecas del proceso dinámico subyacente.