[논문 리뷰] A new surrogate data method for nonstationary time series

Diego L. Guarín, Álvaro A. Orozco외 1명|arXiv (Cornell University)|2010. 08. 10.

Time Series Analysis and Forecasting인용 수 5

한 줄 요약

이 논문은 비정상 시계열에서 자기상관, 진폭 분포, 국소 평균 및 분산을 유지하는 새로운 서로서티 데이터 방법인 진폭 보정 절단 푸리에 변환(AATFT) 알고리즘을 제안한다. 기존의 고전적 방법들과는 달리 AATFT는 비정상적이며 비정규 분포를 띠는 데이터에서 비선형성을 성공적으로 탐지한다. 이는 기후 온도 및 신경 기록과 같은 실제 사례에서의 우월성을 입증한다.

ABSTRACT

Hypothesis testing based on surrogate data has emerged as a popular way to test the null hypothesis that a signal is a realization of a linear stochastic process. Typically, this is done by generating surrogates which are made to conform to autocorrelation (power spectra) and amplitude distribution of the data (this is not necessary if data are Gaussian). Recently, a new algorithm was proposed, the null hypothesis addressed by this algorithm is that data are a realization of a non stationary linear stochastic process, surrogates generated by this algorithm preserve the autocorrelation and local mean and variance of data. Unfortunately, the assumption of Gaussian amplitude distribution is not always valid. Here we propose a new algorithm; the hypothesis addressed by our algorithm is that data are a realization of a nonlinear static transformation of a non stationary linear stochastic process. Surrogates generated by our algorithm preserve the autocorrelation, amplitude distribution and local mean and variance of data. We present some numerical examples where the previously proposed surrogate data methods fail, but our algorithm is able to discriminate between linear and nonlinear data, whether they are stationary or not. Using our algorithm we also confirm the presence of nonlinearity in the monthly global average temperature and in a small segment of a signal from a Micro Electrode Recording.

연구 동기 및 목표

• 고전적 서로서티 데이터 방법이 비정상적이며 비정규 분포를 띠는 시계열에서 비선형성을 탐지하는 데에 한계가 있음을 해결한다.
• 자기상관과 국소 통계는 유지하지만 진폭 분포를 보존하지 못하는 기존 방법들(예: TFT)의 실패를 극복한다.
• 자기상관, 진폭 분포, 국소 평균/분산이라는 세 가지 핵심 통계적 특성을 모두 유지하는 서로서티 생성 알고리즘을 개발한다.
• 기후 및 신경 데이터와 같은 실제 비정상 신호에서 비선형 역학에 대한 신뢰할 수 있는 추론 검정을 가능하게 한다.
• 기존 방법이 실패하는 복잡한 비정상 시스템에서 비선형성이 실제로 존재하는지 확인한다.

제안 방법

• TFT 방법의 연장선으로서 진폭 분포 보존 기능을 통합한 AATFT 알고리즘을 제안한다.
• 저주파 성분의 구조를 유지하면서 고주파 성분을 무작위화하는 수정된 푸리에 변환 방식을 사용해 서로서티를 생성한다.
• 주파수 도메인에서의 무작위화 이후 원본 데이터의 진폭 분포와 일치시키기 위해 반복적인 진폭 보정을 적용한다.
• 서로서티 생성 과정에서 시간 도메인의 구조를 제약하여 국소 평균 및 분산을 보존한다.
• 서로서티와 원본 데이터의 통계 간 오차를 최소화하기 위해 시뮬레이티드 앤날링 또는 최적화 기법을 사용한다.
• 통계적 유의성 평가를 위해 α = 0.01 수준에서 99개의 서로서티를 생성한다.

실험 결과

연구 질문

• RQ1 고전적 방법이 실패하는 비정상 시계열에서 서로서티 데이터 방법이 비선형성을 신뢰성 있게 탐지할 수 있는가?
• RQ2 자기상관과 국소 통계 외에 진폭 분포까지 보존하는 것이 비선형 역학 탐지 능력을 향상시키는가?
• RQ3 AATFT 방법은 비정상적이며 비정규 분포를 띠는 데이터에서 선형 과정과 비선형 과정을 구분할 수 있는가?
• RQ4 실제 비정상 신호인 세계 평균 기온 및 신경 기록에서 AATFT는 TFT 및 AAFT와 비교해 어떻게 성능을 발휘하는가?
• RQ5 MGAT 및 MER 데이터에서 관측된 비선형성은 기저의 역학 때문인가, 아니면 단지 비정규 분포의 진폭 때문인가?

주요 결과

• 모든 테스트된 비정상 시계열에서 AATFT 방법이 자기상관, 진폭 분포, 국소 평균 및 분산을 성공적으로 보존하였다.
• 고전적 서로서티 방법(RS, RP, AAFT)은 정상화 효과로 인해 비정상 데이터에서 비선형성을 탐지하지 못했다.
• TFT 방법은 MGAT 및 MER 데이터에 대해 근본가설을 기각했지만, 비선형성이 역학적 요인인지 관측 함수에서 기인한 것인지 구분하지 못했다.
• AATFT는 월간 세계 평균 기온(MGAT) 시계열에서 비선형성을 확인하였으며, 이는 이전 연구 결과와 일치하지만 통계적 엄밀성이 향상되었다.
• MER 신호의 경우 AATFT는 데이터가 비정상적인 선형 과정의 비선형 정적 변환임을 보여주었으며, 관측 함수에서 비선형성이 존재함을 시사한다.
• 모든 사례에서 AATFT는 특히 진폭 분포가 비정규 분포일 경우 TFT 및 AAFT보다 진짜 데이터의 본질을 더 정확히 식별하는 데 뛰어난 성능을 보였다.