预测耦合不再只看均方误差：多步预测误差熵在四种隐藏非线性下保持同向响应

预测因果性的判断对象从误差幅度换成了误差分布随预测步长的演化。辅助序列的历史是否带来额外预测信息，不再只由平均损失是否下降来回答，而由带符号预测误差分布的熵轮廓在短步长与长步长之间的变化来回答。 此前的做法是把每个预测步的误差分布压缩成一个幅度数字，例如均方误差、平均绝对误差或样本外决定系数，再比较加入辅助序列前后的差异；这类指标只反映误差的平均大小，不描述误差分布形状如何随预测步长改变。 在四个等功率隐藏非线性通道上，该熵响应的噪声平均敏感度统计量为29.00、27.47、23.22和28.67，而同一批LightGBM预测得到的平均对数均方误差增益为14.09、10.68、12.67和12.71，两者使用完全相同的预测结果，差别只来自汇总方式。

隐藏的非线性预测通道可以被非线性预测器从原始辅助序列中提取出来，即使原始线性相关几乎为零。 在线性参考基准中，注入的辅助贡献本身是线性的，Ridge回归是自然参照；而在高斯AR(1)非线性基准中，辅助序列通过一个与原始一阶分量正交的归一化偶变换进入目标，因此原始皮尔逊相关无法暴露该通道。 在最强耦合处，原始一步皮尔逊相关均值仅为0.0079和0.0082，而同一窗口上的合成诊断量随耦合单调上升并达到0.792、0.784和0.761；LightGBM的熵响应随耦合上升，Ridge则维持在零附近或反向。

该熵响应指向真正携带预测信息的那个源和预测方向，而不是任何被加入的结构化序列。 此前若只看误差幅度是否下降，加入一个与目标无关但具有时间结构的辅助序列也可能带来数值波动，难以区分真实通道与无关结构。 真实通道的噪声平均敏感度统计量在四个噪声水平上为24.50到29.06，均值为26.71；反向预测、正弦、准周期、混沌和独立AR(1)对照的均值都在0.39到1.08之间，其中与真实源具有相同一阶记忆系数的独立AR(1)对照均值仅为0.39。

当隐藏的交互形式未知时，该熵响应比固定基的对照方法更稳定，但已知正确基时参数化模型更敏感。 线性样本外格兰杰式对照在四个隐藏非线性通道上全部为负，取值在-7.94到-3.08之间；固定二次多项式对照只在真实通道为二次时表现突出。 二次多项式对照在匹配的二次通道上达到74.21，但在其余三个通道上为-6.77、3.53和-4.01；该熵响应在四个通道上的噪声平均值为29.00、27.47、23.22和28.67，最大值与最小值之比为1.25。

该结果建立在受控合成基准上：线性参考族使用逻辑斯蒂映射驱动，非线性族使用高斯AR(1)源与目标，隐藏通道为四种归一化非线性映射，预测器为Ridge与LightGBM，收敛交叉映射采用不含滞后扫描、替代检验和多变量条件化的基础实现。参数稳健性覆盖窗口长度、历史长度和最大预测步长的预设网格，共108组组合，结论限于这些测试范围。作者提出的下一步是在观测时间序列上验证，候选领域包括金融与经济系统、气候与水文、流行病监测、生理与神经科学以及生态相互作用网络，并应与领域内更强的基线比较。

该熵描述量是模型相对的：如果预测引擎无法提取真实交互，熵描述量也无法从预测误差中恢复不存在的信息；反过来，过于灵活的预测器可能利用虚假结构，因此验证设计、源对照和时间切分需要谨慎选择。合成基准只使用一个随机驱动族、一种目标结构、有限个隐藏非线性映射、一个非线性预测引擎，参数研究只证明在测试范围内稳健，不是普遍不变性。真实观测数据中的共同驱动、延迟反馈、状态切换、缺失观测、不等采样、多个候选源和有限样本量都未在此检验。作者也指出，当交互形式已知时，正确设定的低维参数化模型可以更快也更敏感。