本文介绍了 Granger 因果性的概念和数学框架，包括双变量 Granger 因果性和条件 Granger 因果性的谱表示。通过研究大规模震荡皮层网络的多通道局部场电位，揭示了神经计算的协同性质。
Aug, 2006
本文提出了扩展格兰杰因果关系方法，应用于多个混沌时间序列和其他非线性信号，同时在三个或更多时间序列的情况下提出了条件扩展格兰杰因果关系度量。
May, 2004
本文提出了一种基于核方法的分析动态网络的方法，该方法不需要先验假设网络是有向无环图。提出的方法已应用于混沌映射、模拟基因调控网络和真实表达数据中，针对肿瘤发展研究了 19 种涉及肿瘤发展相关基因的因果关系。
Mar, 2008
通过求解离散代数里卡蒂方程，可以直接从状态空间模型参数中简单计算时域和频域的 Granger 因果关系，这种方法比纯自回归估计器具有更大的统计能力和更小的偏差。
Jan, 2015
本文提出了一种基于自解释神经网络的非线性动力学下多元格兰杰因果推断的新框架，该框架除了关系推断外，还允许检测格兰杰因果效应的符号并检查其随时间的变化，通过模拟数据等实验表明该框架与其他基线方法相比在推断格兰杰因果性方面具有相当的性能，并在推断交互符号方面取得更好的表现，这表明本框架是推断格兰杰因果性的可行且更易解释的替代方法。
Jan, 2021
本文使用再生核希尔伯特空间理论将 Granger 因果关系推广至非线性系统。我们开发了一种新策略来应对再生核希尔伯特空间几何的过拟合问题，并在混沌映射和生理数据集的应用中得到了验证。
Nov, 2007
本文介绍了格兰杰因果关系和转移熵这两种数据驱动因果推断方法之间的关系，并证明了它们在高斯变量情况下是等价的。
Oct, 2009
我们研究了如何通过观测多变量时间序列数据自动发现 Granger 因果关系的问题，并提出了一种新的具有层次图先验的贝叶斯 VAR 模型来推断二值 Granger 因果图的后验分布。我们的方法在稀疏多变量时间序列数据上提供更好的不确定性量化，具有更少的超参数，并取得了比竞争方法更好的性能。
Feb, 2024
本研究针对高维网络模型的估计问题，采用 Granger 因果模型框架，利用稀疏边缘和内在节点分组结构的假设，引入削减版本的 Group Lasso 估计器，发现了网络节点之间的 Granger 因果交互作用，并对其稳健性进行了渐近结果的开发。通过广泛的模拟研究和现有技术的比较，评估了该方法的性能。
Oct, 2012
利用结构化的多层感知机和循环神经网络，结合稀疏性惩罚，提出一种非线性 Granger 因果分析方法，通过其自动裁剪滞后项和处理长程依赖关系等特点，优于现有方法，可以应用于脑科学、基因组学和人体运动等领域。
Feb, 2018