Tesis Doctoral
DOI
https://doi.org/10.11606/T.45.2017.tde-20230727-113302
Documento
Autor
Nombre completo
Gustavo Pinto Vilela
Dirección Electrónica
Instituto/Escuela/Facultad
Área de Conocimiento
Fecha de Defensa
Publicación
São Paulo, 2016
Director
Título en portugués
Causalidade de Granger entre grafos no domínio da frequência
Palabras clave en portugués
Análise De Dados
Análise Espectral
Causalidade
Teoria Dos Grafos
Resumen en portugués
Diversos sistemas naturais, como a malha aeroviária, interações proteína-proteína, regulação genética, conectividade funcional do cérebro e relações sociais podem sem modeladas por grafos onde os vértices são as entidades sob estudo e as arestas representam quais pares de entidades se relacionam. Também é sabido que muitos desses sistemas são modulares, ou seja, podem ser particionados de alguma maneira em sub-sistemas que interagem ou se influenciam. No entanto, do ponto de vista estatístico-computacional, pouco se é conhecido sobre métodos de análise estatística em grafos. Por exemplo, como identificar que um grafo 'causa' outro grafo? Dentro deste contexto, propomos um método de identificação de causalidade de Granger entre séries temporais de grafos no domínio da frequência. Este método se baseia tanto na análise espectral dos grafos aleatórios como também no método da Coerência Parcial Direcionada. Apresentamos o modelo, uma forma de estimação, um teste estatístico e resultados sobre o efetivo controle da taxa de falsos positivos, bem como seu poder esta- tístico em simulações de Monte Carlo. Finalmente, ilustramos uma aplicação do método em dados de eletrocorticografia coletados de um macaco sob estado de alerta e posteriormente em estado anestésico.
Título en inglés
Granger causality between graphs in frequency domain
Resumen en inglés
Several natural systems such as protein-protein interactions, genetic regulation, functi- onal connectivity of the brain, and social relationships can be modeled as graphs where its vertices represent the entities under study and the edges represent which pair of entities are associated. It is known that much of these systems are modular, i.e., they can be clustered into sub-systems, which interact and influence each other. However, from a computatio- nal statistical viewpoint, little is known about statistical methods to analyze graphs. For example, how can one identify whether a graph 'causes' another graph? In this context, we propose a method to identify Granger causality among time series of graphs in the frequency domain. This method is based on the idea of spectral analysis of random graphs and also on the Partial Directed Coherence. We present the model, a method to estimate the parameters of the model, and a statistical test. We demonstrate the usefulness of the method in intensive Monte Carlo simulations. Results show that the method effectively controls the type I error and also present high statistical power to identify Granger causality in five different random graph models. Finally, we illustrate an application of the method in an electrocorticography data collected from a macaque under anesthesia.
ADVERTENCIA - La consulta de este documento queda condicionada a la aceptación de las siguientes condiciones de uso:
Este documento es únicamente para usos privados enmarcados en actividades de investigación y docencia. No se autoriza su reproducción con finalidades de lucro. Esta reserva de derechos afecta tanto los datos del documento como a sus contenidos. En la utilización o cita de partes del documento es obligado indicar el nombre de la persona autora.
Fecha de Publicación
2023-07-27