কাপাৰ ফিনলেণ্ডৰ নেক্কি, জাৰ্মেনি আৰু স্কাণ্ডিভেনিয়াৰ নেক, স্কটলেণ্ডৰ কেল্পি আদিৰ সৈতে মিল আছে। আটাইকে নদী আদিৰ পাৰত থকা বিপদৰ বিষয়ে সৰু ল'ৰা-ছোৱালীক সতৰ্ক কৰিবলৈ ব্যৱহাৰ কৰা হয়।
কোনো কোনোৰ মতে কাপাৰ কাহিনী জাপানৰ বিশাল চেলামেণ্ডাৰ বা হান্জাকিৰ পৰা উদ্ভৱ হোৱা, যি এক আক্ৰমণাত্মক চেলামেণ্ডাৰ, যিয়ে নিজৰ শক্তিশালী মুখেৰে চিকাৰ কৰে।[8]
Toriyama Sekien
Katsushika Hokusai
Utagawa Kuniyoshi
Kappa imagery depicted by notable artists
কাপাক দেখিবলৈ "প্ৰায় মানৱৰ দৰে" বুলি কোৱা হয়, কাপাৰ আকাৰ এটি সৰু ল'ৰাৰ সমান। কাপাৰ বৰণ সেউজীয়াৰ পৰা হালধীয়ালৈকে হ'ব পাৰে।[9][10][11] কাপা জাপানৰ পুখুৰী আৰু নদী আদিত থাকে বুলি কোৱা হয়। নিজৰ বাসস্থলৰ সৈতে মিলাকৈ কাপাৰ হাত আৰু ভৰি জাল-আকাৰৰ।[12] কাপাৰ গন্ধ মাছৰ দৰে আৰু তেওঁলোকে তেনেদৰে সাতুৰিবলৈও জানে। জাপানী ভাষাত "কাপা ন' কাৱা নাগাৰে" ("এটা কাপা নদীত ডুবা")ই এই কথা বুজাবলৈ ব্যৱহাৰ কৰা হয় যে "পাৰ্গত লোকেও ভুল কৰিব পাৰে"।[13] যদিও ঠাই বিশেষে কাপাৰ বিৱৰণ ভিন ভিন ধৰণে দিয়া হয়, কাপাৰ ঠোঁট, থালিৰ দৰে এটি অংগ, মূৰৰ ওপৰত এটা চুলি-হীন তিতা অংশ-- যি তাৰ শক্তিৰ উৎস আদি সাধাৰণ অংগ। গাটৰ আকাৰৰ সেই অংশ সদায় পানীৰে ভৰি থাকে, আৰু পানীৰ বাহিৰত থাকোতে যদি সেই অংশ কেতিয়াবা খালি হয়, শক্তি শেষ হোৱাৰ লগতে কাপাৰ মৃত্যু পৰ্যন্ত হ'ব পাৰে।[3][9][10] কেইবাটাও কাহিনীত কোৱা হয় যে কাপাৰ দুয়ো হাত শৰীৰৰ মাজেৰে সংযুক্ত আৰু এফালৰ পৰা আনফাললৈ সৰকিব পাৰে।[3] পানীত থাকিলেও, তেওঁলোক কেতিয়াবা ভূমিলৈ আহে। যেতিয়া তেওঁলোকে তেনে কৰে, তেওঁলোকৰ থালিখন সুৰক্ষাৰ বাবে এক ধাতুৰে ঢকা হয়। [14] কিছুমান সাধুতটো কাপাই গ্ৰীষ্ম আৰু বসন্ত ঋতু পানীত পাৰ কৰি বছৰৰ আন সময় পাহাৰত অতিবাহিত কৰে, য়ামা-ন'-কামি (山の神, পৰ্বতৰ দেৱতা)ৰ ৰূপত।[3] যদিও কাপাৰ কাহিনী সমগ্ৰ জাপান বিয়পা আৰু কাপা সমগ্ৰ জাপানতে থাকে, কাপাক প্ৰায় চাগা অঞ্চলৰ বুলি কোৱা হয়।[15]
কাপাসকলক প্ৰায় দুষ্ট আৰু কষ্টদায়ক বুলি কোৱা হয়। কাপাসকলে ডাঙৰকৈ পদা বা মহিলাসকলৰ কিম'ন' পিন্ধি চোৱাৰ দৰে সাধাৰণ দুষ্টালিৰ পৰা আৰম্ভ কৰি মানুহক ডুবাই মৰা, শিশুক অপহৰণ কৰা, মহিলাক ধৰ্ষণ কৰাৰ দৰে গভীৰ অপৰাধো কৰাৰ কথা কোৱা হয়।[14] তেওঁলোকে প্ৰায় নিজৰ চিকাৰৰ তেজ বা কলিজা ভক্ষণ কৰিবলৈ, অথবা মানুহৰ আত্মাই বাস কৰা চিৰিক'ডামা (尻子玉) কাঢ়ি ল'বলৈ মানুহক অপহৰণ কৰে।[14][16][17][18] আজিও জাপানৰ বিভিন্ন গাওঁত কাপাৰ বিষয়ে সাৱধান কৰা ফলক জলাশয় আদিৰ কাষত দেখা যায়।
মান্য চীনা ভাষা বা মাণ্ডাৰিন বা পুটংঘুৱা বা গুৱয়ুচীন আৰু টাইৱানৰ একমাত্ৰ আনুষ্ঠানিক ভাষা আৰু চিংগাপুৰৰ চাৰিটা আনুষ্ঠানিক ভাষাৰ অন্যতম। এই ভাষাৰ উচ্চাৰণ চীনা ভাষাৰ বেইজিং উপভাষাৰ ওপৰত আধাৰিত, শব্দাৱলী উত্তৰ চীনৰ বিভিন্ন চীনা উপভাষাৰ পৰা গ্ৰহণ কৰা আৰু ব্যাকৰণ বিংশ শতিকাৰ আধুনিক চীনা সাহিত্যৰ পৰা গ্ৰহণ কৰা, যিয়ে পূৰ্বৰ শাস্ত্ৰীয় চীনা ভাষাৰ স্থান গ্ৰহণ কৰিলে।
অন্য চীনা ভাষীয় প্ৰকাৰসমূহৰ দৰেই মান্য চীনা ভাষাও এটা 'সুৰীয়া ভাষা'। দক্ষিণৰ প্ৰকাৰসমূহতকৈ মান্য চীনা ভাষাত কম স্বৰধ্বনি, আৰু অন্তিম ব্যঞ্জনধ্বনি আছে, পিচে অধিক আৰম্ভণিৰ স্বৰধ্বনি আছে। অন্য চীনা ভাষাৰ প্ৰকাৰসমূহৰ দৰেই এই ভাষাও এটি বিষয়-ভিত্তিক ভাষা, ইয়াৰ ক্ৰম বিষয়-ক্ৰিয়া-বস্তু।
এই ভাষা সৰল চীনা লিপি, পৰম্পৰাগত চীনা লিপি আৰু বিশেষ কাৰণত হান্যু পিন্যিন ৰোমানিকৃত লিপিত লিখা হয়।
ফিলিপাইন্স, আমেৰিকা যুক্ত ৰাষ্ট্ৰ আদিত হান্যু (汉语/漢語) যাৰ অৰ্থ হানসকলৰ ভাষা।
ইংৰাজীত এই ভাষাক সূচাবলৈ চীনা আৰু হংকং চৰকাৰে পুটংঘুৱা,[27][28]পুটংঘুৱা চাইনিজ,[29] আৰু মাণ্ডাৰিন[30][31][32] while those of Taiwan,[33][34] Singapore,[35][36] ব্যৱহাৰ কৰে। মালেইছিয়া চৰকাৰে এই ভাষাৰ বাবে মাণ্ডাৰিন ব্যৱহাৰ কৰে।[37]
আগতে অনা-হান চীনা শাসকসকলে এই ভাষা বুজাবলৈ গুৱয়ু ব্যৱহাৰ কৰিছিল। পিচে ১৯০৯ চনত চিং ৰাজকীয় শিক্ষা মন্ত্ৰণালয়ে এই ভাষাক বুজাবলৈ আনুষ্ঠানিকভাৱএ গুৱয়ু শব্দ ব্যৱহাৰ কৰিলে আৰু এই ভাষাক নতুন ৰাষ্ট্ৰীয় ভাষা ঘোষণা কৰিলে।[38] পুটংঘুৱা নামৰ ব্যৱহাৰো অনানুষ্ঠানিকভাৱে পুৰণি। ১৯০৬ চনতেই ঝু ৱেংঝিয়ঙে এই নামৰ ব্যহাৰ কৰিছিল, আধুনিক চীনা ভাষাক অন্য চীনা প্ৰকাৰৰ পৰা বেলেগ কৰিবলৈ।
বিংশ শতিকাৰ কোনো কোনো ভাষাবিদৰ বাবে পুটংঘুৱা বা 'সাধাৰণ ভাষা' আছিল গুৱয়ু বা 'ৰাষ্ট্ৰীয় ভাষা'ৰ পৰা পৃথক। আগৰটো ৰাষ্ট্ৰীয় সন্মানীয় প্ৰকাৰ, আৰু পিছৰটো আইনী মান। সেই সময়ৰ সাধাৰণ ধাৰণাৰ মতে দুয়োটা ভাষা আছিল 'বেলেগ'। গুৱয়ুক শাস্ত্ৰীয় চীনা ভাষাৰ ওচৰৰ এটি ভাষা বুলি গণ্য কৰা হৈছিল, আৰয় পুটংঘুৱাক "আধিনিক যুগৰ মানুহৰ সাধাৰণ ভাষা", যাক ৰাইজে ৰাষ্ট্ৰীয় কথিত ভাষাৰ ৰূপত স্বীকাৰ কৰিছিল। পুটংঘুৱা শব্দ বাওঁপন্থী নেতা যেনে চু চিউবাই আৰু লু চুনেও ব্যৱহাৰ কৰিছিল ,সেয়ে ১৯৫৬ নত গণপ্ৰজাতন্ত্ৰী চীনৰ চৰকাৰে এই শব্দক মাণ্ডাৰিন ভাষা বুজাবলৈ স্বীকাৰ কৰিলা। তাৰ পূৰ্বে চৰকাৰে দুয়োটা শব্দ সলনা-সলনি কৰি ব্যৱহাৰ কৰিছিলে।[39]
Yuan, Zhongrui. (2008) "国语、普通话、华语 (Guoyu, Putonghua, Huayu)". China Language National Language Committee, People's Republic of China
When time series X Granger-causes time series Y, the patterns in X are approximately repeated in Y after some time lag (two examples are indicated with arrows). Thus, past values of X can be used for the prediction of future values of Y.
গ্ৰেঞ্জাৰ কাৰ্যকাৰিতা পৰীক্ষা এটি পৰিসাংখ্যিক প্ৰকল্প পৰীক্ষা এই কথা নিৰ্ণয় কৰিবলৈ যে এটি সময় শ্ৰেণী আন সময় শ্ৰেণীৰ আগজাননীৰ বাবে সহায়ক হয় নে নহয়। গ্ৰেঞ্জাৰ কাৰ্যকাৰিতাৰ ধাৰণা পোণপ্ৰথমবাৰৰ বাবে অৰ্থনীতিবিদক্লাইভ গ্ৰেঞ্জাৰে আগবঢ়াইছিল ১৯৬৯ত।[1] সাধাৰণতে, সমাশ্ৰয়ণ বিশ্লেষণে দুই চলক মাজৰ সহসম্বন্ধহে উজাগৰ কৰে। কিন্তু গ্ৰেঞ্জাৰে যুক্ত আগবঢ়ালে যে কোনো চলকৰ অতীতৰ মূল্যৰ সহায়ত যদি আন চলকৰ ভৱিষ্যতৰ মূল্য অনুমান কৰিব পৰা যায়, তেন্তে ই অৰ্থনীতিত কাৰ্যকাৰিতাৰ অনুমান দিব পাৰে। পিচে, "প্ৰকৃত কাৰ্যকাৰিতা"ৰ প্ৰশ্নৰ উত্তৰ দৰ্শনত এতিয়াও উপলব্ধ নহয়। সেয়ে, ইকনমেত্ৰিচিয়ানসকলৰ মতে, গ্ৰেঞ্জাৰৰ পৰীক্ষা কেৱল "আগজাননীগত কাৰ্যকাৰিতা"ৰহে পৰীক্ষা। কোনো ঘটনা আন ঘটনাৰ পাছত হ'লেই এই কথা নুবুজাই যে পূৰ্বৰ ঘটনাটো পাছৰ ঘটনাটোৰ কাৰণ। ভুলকৈ কাৰ্যকাৰিতাৰ দাবী কৰিলে, "পষ্ট হক এৰ্গ' প্ৰপ্টাৰ হক" (পাছত হ'ল, সেইবাবে, কাৰণে হ'ল) ভ্ৰান্তিৰ শংকা থাকি যায়।[2] সেয়ে "কাৰ্যকাৰিতা" শব্দৰ ঠাইত "পূৰ্বগামিতা"[3] বা গ্ৰেঞ্জাৰে নিজেই ১৯৭৭ত সমৰ্থন দিয়া "সাময়িকভাৱে সম্পৰ্কিত"[4] শব্দ অধিক সঠিক। "Xৰ কাৰণে Y হয় নে নহয়, সেই প্ৰশ্নৰ ঠাইত, Xএৰে Yৰ আগজাননী দিব পৰা যায় নে নাযায়" সেই প্ৰশ্নৰহে উত্তৰ গ্ৰেঞ্জাৰৰ পৰীক্ষাই দিয়ে।[5]
এটি সময় শ্ৰেণী Yৰ গ্ৰেঞ্জাৰ কাৰণ সময় শ্ৰেণী X যদিহে t-পৰীক্ষা আৰু F-পৰীক্ষাৰ এটি শ্ৰেণীৰে দৰ্শাব পৰা যায় যে (Yৰ পূৰ্বৰ মূল্যৰ উপৰিও) Xৰ পূৰ্বৰ মূল্যই Yৰ ভৱিষ্যতৰ মূল্যৰ বিষয়ে statistically significant তথ্য প্ৰদান কৰে।
গ্ৰেঞ্জাৰে নিজেই উল্লেখ কৰিছিল যে, কোনো কোনো গৱেষকে অৰ্থনীতি বিষয়ৰ বাহিৰত এই পৰীক্ষা ব্যৱহাৰ কৰি "হাস্যাস্পদ" ফল লাভ কৰিছিল, সময় শৃংখলৰ ওপৰত তেওঁৰ গৱেষণাৰ বাবে অৰ্থনীতিৰ ন'বেল বঁটা লাভ কৰাৰ পাছৰ, ন'বেল বক্তৃতাত।[6] পিচে এনে কিছু ঘটনাৰ পাছতো, বৰ্তমানেও অৰ্থনীতি বিষয়ৰ বাহিৰৰ অনেক বিষয়ত সময় শৃংখলেৰে কাৰ্যকাৰিতা নিৰ্ণয় কৰিবলৈ গ্ৰেঞ্জাৰৰ পদ্ধতি ব্যৱহাৰ কৰা হয়, বিশেষকৈ এই পদ্ধতিৰ সংগাণনিক সৰলতাৰ বাবে।[7][8] গ্ৰেঞ্জাৰ কাৰ্যকাৰিতাৰ প্ৰথম সংজ্ঞাৰ কিছু ত্ৰুতি পাছলৈ অনেক গৱেষকে সমাধান কৰিছে।[7]
We say that a variable X that evolves over time Granger-causes another evolving variable Y if predictions of the value of Y based on its own past values and on the past values of X are better than predictions of Y based only on Y's own past values.
Granger defined the causality relationship based on two principles:[7][9]
The cause happens prior to its effect.
The cause has unique information about the future values of its effect.
Given these two assumptions about causality, Granger proposed to test the following hypothesis for identification of a causal effect of on :
where refers to probability, is an arbitrary non-empty set, and and respectively denote the information available as of time in the entire universe, and that in the modified universe in which is excluded. If the above hypothesis is accepted, we say that Granger-causes .[7][9]
If a time series is a stationary process, the test is performed using the level values of two (or more) variables. If the variables are non-stationary, then the test is done using first (or higher) differences. The number of lags to be included is usually chosen using an information criterion, such as the Akaike information criterion or the Schwarz information criterion. Any particular lagged value of one of the variables is retained in the regression if (1) it is significant according to a t-test, and (2) it and the other lagged values of the variable jointly add explanatory power to the model according to an F-test. Then the null hypothesis of no Granger causality is not rejected if and only if no lagged values of an explanatory variable have been retained in the regression.
In practice it may be found that neither variable Granger-causes the other, or that each of the two variables Granger-causes the other.
Mathematical statement
Let y and x be stationary time series. To test the null hypothesis that x does not Granger-cause y, one first finds the proper lagged values of y to include in a univariate autoregression of y:
Next, the autoregression is augmented by including lagged values of x:
One retains in this regression all lagged values of x that are individually significant according to their t-statistics, provided that collectively they add explanatory power to the regression according to an F-test (whose null hypothesis is no explanatory power jointly added by the x's). In the notation of the above augmented regression, p is the shortest, and q is the longest, lag length for which the lagged value of x is significant.
The null hypothesis that x does not Granger-cause y is accepted if and only if no lagged values of x are retained in the regression.
Multivariate analysis
Multivariate Granger causality analysis is usually performed by fitting a vector autoregressive model (VAR) to the time series. In particular, let for be a -dimensional multivariate time series. Granger causality is performed by fitting a VAR model with time lags as follows:
where is a white Gaussian random vector, and is a matrix for every . A time series is called a Granger cause of another time series , if at least one of the elements for is significantly larger than zero (in absolute value).[10]
Non-parametric test
The above linear methods are appropriate for testing Granger causality in the mean. However they are not able to detect Granger causality in higher moments, e.g., in the variance. Non-parametric tests for Granger causality are designed to address this problem.[11] The definition of Granger causality in these tests is general and does not involve any modelling assumptions, such as a linear autoregressive model. The non-parametric tests for Granger causality can be used as diagnostic tools to build better parametric models including higher order moments and/or non-linearity.[12]
As its name implies, Granger causality is not necessarily true causality. In fact, the Granger-causality tests fulfill only the Humean definition of causality that identifies the cause-effect relations with constant conjunctions.[13] If both X and Y are driven by a common third process with different lags, one might still fail to reject the alternative hypothesis of Granger causality. Yet, manipulation of one of the variables would not change the other. Indeed, the Granger-causality tests are designed to handle pairs of variables, and may produce misleading results when the true relationship involves three or more variables. Having said this, it has been argued that given a probabilistic view of causation, Granger causality can be considered true causality in that sense, especially when Reichenbach's "screening off" notion of probabilistic causation is taken into account.[14] Other possible sources of misguiding test results are: (1) not frequent enough or too frequent sampling, (2) nonlinear causal relationship, (3) time series nonstationarity and nonlinearity and (4) existence of rational expectations.[13] A similar test involving more variables can be applied with vector autoregression. Recently [15] a fundamental mathematical study of the mechanism underlying the Granger method has been provided. By making use exclusively of mathematical tools (Fourier transformation and differential calculus), it has been found that not even the most basic requirement underlying any possible definition of causality is met by the Granger causality test: any definition of causality should refer to the prediction of the future from the past; instead by inverting the time series it can be shown that Granger allows one to ”predict” the past from the future as well.
A method for Granger causality has been developed that is not sensitive to deviations from the assumption that the error term is normally distributed.[16] This method is especially useful in financial economics, since many financial variables are non-normally distributed.[17] Recently, asymmetric causality testing has been suggested in the literature in order to separate the causal impact of positive changes from the negative ones.[18] An extension of Granger (non-)causality testing to panel data is also available.[19] A modified Granger causality test based on the GARCH (generalized auto-regressive conditional heteroscedasticity) type of integer-valued time series models is available in many areas.[20][21]
A long-held belief about neural function maintained that different areas of the brain were task specific; that the structural connectivity local to a certain area somehow dictated the function of that piece. Collecting work that has been performed over many years, there has been a move to a different, network-centric approach to describing information flow in the brain. Explanation of function is beginning to include the concept of networks existing at different levels and throughout different locations in the brain.[22] The behavior of these networks can be described by non-deterministic processes that are evolving through time. That is to say that given the same input stimulus, you will not get the same output from the network. The dynamics of these networks are governed by probabilities so we treat them as stochastic (random) processes so that we can capture these kinds of dynamics between different areas of the brain.
Different methods of obtaining some measure of information flow from the firing activities of a neuron and its surrounding ensemble have been explored in the past, but they are limited in the kinds of conclusions that can be drawn and provide little insight into the directional flow of information, its effect size, and how it can change with time.[23] Recently Granger causality has been applied to address some of these issues with great success.[24] Put plainly, one examines how to best predict the future of a neuron: using either the entire ensemble or the entire ensemble except a certain target neuron. If the prediction is made worse by excluding the target neuron, then we say it has a “g-causal” relationship with the current neuron.
Extensions to point process models
Previous Granger-causality methods could only operate on continuous-valued data so the analysis of neural spike train recordings involved transformations that ultimately altered the stochastic properties of the data, indirectly altering the validity of the conclusions that could be drawn from it. In 2011, however, a new general-purpose Granger-causality framework was proposed that could directly operate on any modality, including neural-spike trains.[23]
Neural spike train data can be modeled as a point-process. A temporal point process is a stochastic time-series of binary events that occurs in continuous time. It can only take on two values at each point in time, indicating whether or not an event has actually occurred. This type of binary-valued representation of information suits the activity of neural populations because a single neuron's action potential has a typical waveform. In this way, what carries the actual information being output from a neuron is the occurrence of a “spike”, as well as the time between successive spikes. Using this approach one could abstract the flow of information in a neural-network to be simply the spiking times for each neuron through an observation period. A point-process can be represented either by the timing of the spikes themselves, the waiting times between spikes, using a counting process, or, if time is discretized enough to ensure that in each window only one event has the possibility of occurring, that is to say one time bin can only contain one event, as a set of 1s and 0s, very similar to binary.[উদ্ধৃতিৰ প্ৰয়োজন]
One of the simplest types of neural-spiking models is the Poisson process. This however, is limited in that it is memory-less. It does not account for any spiking history when calculating the current probability of firing. Neurons, however, exhibit a fundamental (biophysical) history dependence by way of its relative and absolute refractory periods. To address this, a conditional intensity function is used to represent the probability of a neuron spiking, conditioned on its own history. The conditional intensity function expresses the instantaneous firing probability and implicitly defines a complete probability model for the point process. It defines a probability per unit time. So if this unit time is taken small enough to ensure that only one spike could occur in that time window, then our conditional intensity function completely specifies the probability that a given neuron will fire in a certain time.[উদ্ধৃতিৰ প্ৰয়োজন]
Bradford Hill criteria
Convergent cross mapping, another technique for testing for causality between dynamic variables
Granger,C. W. J.(1969)."Investigating Causal Relations by Econometric Models and Cross-spectral Methods".Econometricaখণ্ড 37(3): 424–438.doi:10.2307/1912791.
Leamer,Edward E.(1985)."Vector Autoregressions for Causal Inference?".Carnegie-Rochester Conference Series on Public Policyখণ্ড 22: 283.doi:10.1016/0167-2231(85)90035-1.
Granger,C.W.J.(1980)."Testing for causality: A personal viewpoint".Journal of Economic Dynamics and Controlখণ্ড 2: 329–352.doi:10.1016/0165-1889(80)90069-X.
Mannino,Michael;Bressler,Steven L(2015)."Foundational perspectives on causality in large-scale brain networks".Physics of Life Reviewsখণ্ড 15: 107–23.doi:10.1016/j.plrev.2015.09.002.PMID26429630.
Dumitrescu,E.-I.;Hurlin,C.(2012)."Testing for Granger non-causality in heterogeneous panels".Economic Modellingখণ্ড 29(4): 1450–1460.doi:10.1016/j.econmod.2012.02.014.
Chen,Cathy W. S.;Lee,Sangyeol(2017)."Bayesian causality test for integer-valued time series models with applications to climate and crime data"(en ভাষাত).Journal of the Royal Statistical Society, Series C (Applied Statistics)খণ্ড 66(4): 797–814.doi:10.1111/rssc.12200.ISSN1467-9876.
Bressler,Steven L;Seth,Anil K(2011)."Wiener–Granger Causality: A well established methodology".NeuroImageখণ্ড 58(2): 323–9.doi:10.1016/j.neuroimage.2010.02.059.PMID20202481.
Gujarati,Damodar N.;Porter,Dawn C.(2009)."Causality in Economics: The Granger Causality Test".Basic Econometrics(Fifth international সম্পাদনা).প্ৰকাশক New York:McGraw-Hill.পৃষ্ঠা.652–658.ISBN978-007-127625-2.