Las redes complejas de procesos estocásticos son cruciales para modelar la dinámica de sistemas interactivos, especialmente aquellos que involucran interacciones de alto orden (HOIs) entre tres o más componentes. Las medidas tradicionales, como la información mutua (MI), la información de interacción (II), el índice de redundancia-sinergia (RSI) y la O-información (OI), suelen estar limitadas a análisis estáticos que no tienen en cuenta correlaciones temporales y se vuelven computacionalmente inviables en redes grandes debido al crecimiento exponencial del número de interacciones a analizar. Para abordar estos desafíos, primero se introduce un marco para extender estas medidas de teoría de la información a procesos dinámicos. Esto incluye la tasa de II (IIR), la tasa de RSI (RSIR) y el gradiente de la tasa de OI (), lo que permite el análisis dinámico de HOIs. Además, se desarrolla una estrategia escalonada que identifica grupos de nodos (múltiplos) que maximizan las HOIs redundantes o sinérgicas, ofreciendo una comprensión más profunda de las interdependencias complejas. El marco se valida a través de simulaciones de redes compuestas por mecanismos de cascada, conducción común y objetivo común, modelados utilizando procesos vectoriales autorregresivos (VAR). La viabilidad del enfoque propuesto se demuestra a través de su aplicación en climatología, específicamente analizando las relaciones entre variables climáticas que rigen El Niño y la Oscilación del Sur (ENSO) utilizando datos climáticos históricos.