[论文解读] A new surrogate data method for nonstationary time series

Diego L. Guarín, Álvaro A. Orozco+1 more|arXiv (Cornell University)|Aug 10, 2010

Time Series Analysis and Forecasting被引用 5

一句话总结

本文提出了一种新型的代理数据方法——振幅调整截断傅里叶变换（AATFT）算法，该方法可保留非平稳时间序列中的自相关性、振幅分布以及局部均值和方差。与经典方法不同，AATFT在非平稳、非高斯数据中成功检测出非线性，验证了其在真实世界案例（如全球气温和神经记录）中的优越性。

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.

研究动机与目标

• 解决经典代理数据方法在检测非平稳、非高斯时间序列中非线性方面的局限性。
• 克服现有方法（如TFT）的失败，这些方法虽保留自相关性和局部统计量，但无法保留振幅分布。
• 开发一种代理生成算法，同时保持自相关性、振幅分布和局部均值/方差这三项关键统计特性。
• 实现对真实世界非平稳信号（如气候和神经数据）中非线性动力学的可靠假设检验。
• 确认在传统方法失效的复杂非平稳系统中，非线性确实存在。

提出的方法

• 将AATFT算法作为TFT方法的扩展，整合振幅分布保持机制。
• 采用改进的傅里叶变换方法，生成在保留低频结构的同时随机化高频分量的代理数据。
• 通过迭代振幅调整，在频域随机化后使代理数据的振幅分布与原始数据匹配。
• 通过在代理生成过程中约束时域结构，确保局部均值和方差的保持。
• 使用模拟退火或优化技术，最小化代理数据与原始数据统计量之间的误差。
• 每项假设检验生成99个代理数据，以实现显著性水平α = 0.01的统计评估。

实验结果

研究问题

• RQ1 当经典方法失效时，代理数据方法能否在非平稳时间序列中可靠检测非线性？
• RQ2 在保留自相关性和局部统计量的基础上，额外保持振幅分布是否能提升对非线性动力学的检测能力？
• RQ3 AATFT方法能否在非平稳、非高斯数据中区分线性与非线性过程？
• RQ4 AATFT在真实世界非平稳信号（如全球气温和神经记录）中与TFT和AAFT相比表现如何？
• RQ5 MGAT和MER数据中观察到的非线性是源于底层动力学，还是仅仅由于非高斯振幅分布？

主要发现

• AATFT方法在所有测试的非平稳时间序列中均成功保留了自相关性、振幅分布以及局部均值和方差。
• 经典代理方法（RS、RP、AAFT）由于存在平稳化效应，无法在非平稳数据中检测出非线性。
• TFT方法对MGAT和MER数据拒绝了原假设，但无法区分非线性是由动力学还是观测函数引起的。
• AATFT确认了月度全球平均气温（MGAT）时间序列中存在非线性，与先前研究结果一致，但统计严谨性更高。
• 对于MER信号，AATFT表明数据是非平稳线性过程的非线性静态变换，表明观测函数中存在非线性。
• 在所有情况下，AATFT在正确识别数据真实性质方面均优于TFT和AAFT，尤其在振幅分布非高斯时表现更优。