# Bayesian Testing Of Granger Causality In Functional Time Series

**Authors:** Rituparna Sen, Anandamayee Majumdar, Shubhangi Sikaria  
**arXiv:** [2112.15315](https://arxiv.org/abs/2112.15315)  
**Date:** 2021-12-31  
**Summary page:** https://www.summarizepaper.com/fr/paper/2112.15315v1/

## Key points

- Développement d'un modèle autorégressif fonctionnel multivarié (MFAR) pour capturer la corrélation croisée entre plusieurs séries temporelles fonctionnelles et améliorer la précision des prévisions
- Estimation des paramètres dans le cadre des modèles linéaires dynamiques bayésiens (DLM)
- Utilisation du facteur de Bayes pour saisir la causalité de Granger d'une série FAR à une autre
- Étude de la causalité entre les courbes de rendement de deux pays en finance
- Illustration d'un exemple en climatologie pour examiner si les conditions météorologiques causent Granger les niveaux quotidiens de polluants dans une ville
- Recherche menée par Rituparna Sen, Anandamayee Majumdar et Shubhangi Sikaria.

## Summary

Nous avons développé un modèle autorégressif fonctionnel multivarié (MFAR) qui capture la corrélation croisée entre plusieurs séries temporelles fonctionnelles et améliore ainsi la précision des prévisions. Nous avons estimé les paramètres dans le cadre des modèles linéaires dynamiques bayésiens (DLM). Pour saisir la causalité de Granger d'une série FAR à une autre, nous avons utilisé le facteur de Bayes. Étant donnée l'application large des données fonctionnelles en finance, nous avons étudié la causalité entre les courbes de rendement de deux pays. De plus, nous avons illustré un exemple en climatologie pour examiner si les conditions météorologiques causent Granger les niveaux quotidiens de polluants dans une ville. Cette recherche a été menée par Rituparna Sen, Anandamayee Majumdar et Shubhangi Sikaria.