[论文解读] A maximum likelihood based technique for validating detrended fluctuation analysis (ML-DFA)

Maria Botcharova, Simon F. Farmer+1 more|arXiv (Cornell University)|Jun 21, 2013

Complex Systems and Time Series AnalysisEconomics, Econometrics and Finance参考文献 38被引用 16

一句话总结

本文提出 ML-DFA，一种基于最大似然的 方法，用于验证去趋势波动分析（DFA）波动图的线性，这对于确保 DFA 指数作为长程时间相关性度量的可靠性至关重要。通过使用 AIC 和 BIC 比较线性模型与替代模型（多项式、样条、指数、对数）的拟合效果，ML-DFA 在惩罚过拟合的同时识别最佳拟合模型，从而确定 DFA 指数是否具有统计学意义。

ABSTRACT

Detrended Fluctuation Analysis (DFA) is widely used to assess the presence of long-range temporal correlations in time series. Signals with long-range temporal correlations are typically defined as having a power law decay in their autocorrelation function. The output of DFA is an exponent, which is the slope obtained by linear regression of a log-log fluctuation plot against window size. However, if this fluctuation plot is not linear, then the underlying signal is not self-similar, and the exponent has no meaning. There is currently no method for assessing the linearity of a DFA fluctuation plot. Here we present such a technique, called ML-DFA. We scale the DFA fluctuation plot to construct a likelihood function for a set of alternative models including polynomial, root, exponential, logarithmic and spline functions. We use this likelihood function to determine the maximum likelihood and thus to calculate values of the Akaike and Bayesian information criteria, which identify the best fit model when the number of parameters involved is taken into account and over-fitting is penalised. This ensures that, of the models that fit well, the least complicated is selected as the best fit. We apply ML-DFA to synthetic data from FARIMA processes and sine curves with DFA fluctuation plots whose form has been analytically determined, and to experimentally collected neurophysiological data. ML-DFA assesses whether the hypothesis of a linear fluctuation plot should be rejected, and thus whether the exponent can be considered meaningful. We argue that ML-DFA is essential to obtaining trustworthy results from DFA.

研究动机与目标

• 为解决缺乏正式方法评估 DFA 波动图线性的现状，这对 DFA 指数的有效性至关重要。
• 克服传统 R² 和卡方检验假设的局限性，这些假设因 DFA 图中异方差性而变得不敏感或无效。
• 提供一种基于模型选择的统计严谨方法，以确定波动图是否支持自相似性，从而实现有意义的指数估计。
• 在合成 FARIMA 过程和真实神经生理学 EEG 数据上验证该方法，以展示其可靠性和实际应用价值。
• 确立 ML-DFA 作为在神经科学及其他领域解释 DFA 指数前的必要步骤。

提出的方法

• 通过将 DFA 波动幅度归一化为窗口大小上的概率密度函数，构建似然函数。
• 评估线性模型及五种替代模型（多项式、平方根、指数、对数和样条函数）的对数似然。
• 使用赤池信息准则（AIC）和贝叶斯信息准则（BIC）比较模型拟合效果，同时对参数更多的模型施加惩罚以避免过拟合。
• 选择 AIC 或 BIC 值最低的模型作为最佳拟合模型；若线性模型表现最佳，则认为波动图是线性的，DFA 指数被视为有效。
• 将该方法应用于 FARIMA(0,d,0)、FARIMA(1,d,0) 和 FARIMA(0,d,1) 过程的合成数据，其预期的波动图形状在理论上是已知的。
• 在 20 名健康受试者记录的实验性人类 EEG 数据上测试该方法，使用预处理并剔除伪影的信号，持续时间不少于 20 分钟。

实验结果

研究问题

• RQ1 ML-DFA 能否可靠检测 DFA 波动图是否为线性，从而验证 DFA 指数作为长程时间相关性度量的有效性？
• RQ2 ML-DFA 在区分自相似信号（如分数布朗噪声）与具有复杂波动模式的非自相似信号方面表现如何？
• RQ3 当视觉检查结果不明确时，ML-DFA 是否在检测波动图非线性方面优于传统的基于 R² 的评估方法？
• RQ4 ML-DFA 能否有效应用于真实神经生理学 EEG 数据，以确定报告的 DFA 指数的有效性？
• RQ5 在具有混合或短程相关性的时间序列中，ML-DFA 在多大程度上降低了因波动图非线性而导致 DFA 结果误读的风险？

主要发现

• ML-DFA 在合成 FARIMA 过程中成功识别出正确的基础模型，包括因非零 φ 或 θ 参数导致的凹形或凸形波动图。
• 对于理论上具有自相似性的 FARIMA(0,d,0) 过程，其波动图渐近为线性，ML-DFA 一致选择线性模型作为最佳拟合。
• 在非零 φ 的情况下（如 FARIMA(1,d,0)），波动图呈现凹形，ML-DFA 正确拒绝线性模型，转而选择多项式或样条拟合。
• 对于因非零 θ 导致波动图呈凸形的 FARIMA(0,d,1) 过程，ML-DFA 选择非线性模型（如指数或多项式）而非线性模型。
• 在神经生理学 EEG 数据中，ML-DFA 揭示了相当大比例的波动图是非线性的，表明许多报告的 DFA 指数可能不具备统计学有效性。
• 该方法在区分真正的自相似性和虚假线性方面表现出稳健性，尤其在噪声较大或多组分信号中，视觉检查失效时更为显著。