[论文解读] A rigorous and efficient asymptotic test for power-law cross-correlation

Duncan A. J. Blythe|arXiv (Cornell University)|Sep 16, 2013

Complex Systems and Time Series Analysis参考文献 7被引用 7

一句话总结

本文提出了一种严格且高效的渐近检验方法，用于检测幂律交叉相关性，基于去趋势互相关分析（DCCA），通过跨时间尺度的DCCA系数计算零相关性原假设下的保守p值。该方法严格控制第一类错误率，对多项式趋势具有鲁棒性，并且比基于模拟的方法快逾10万倍，使得在长程依赖时间序列中实现实际的统计推断成为可能。

ABSTRACT

Podobnik and Stanley recently proposed a novel framework, Detrended Cross-Correlation Analysis, for the analysis of power-law cross-correlation between two time-series, a phenomenon which occurs widely in physical, geophysical, financial and numerous additional applications. While highly promising in these important application domains, to date no rigorous or efficient statistical test has been proposed which uses the information provided by DCCA across time-scales for the presence of this power-law cross-correlation. In this paper we fill this gap by proposing a method based on DCCA for testing the hypothesis of power-law cross-correlation; the method synthesizes the information generated by DCCA across time-scales and returns conservative but practically relevant p-values for the null hypothesis of zero correlation, which may be efficiently calculated in software. Thus our proposals generate confidence estimates for a DCCA analysis in a fully probabilistic fashion.

研究动机与目标

• 为时间序列数据中幂律交叉相关性的缺乏统计严谨性和计算效率的检验方法提供解决方案。
• 通过在零交叉相关性原假设下推导p值，实现对DCCA结果的概率置信度估计。
• 确保在长程依赖时间序列中对任意阶多项式趋势的鲁棒性。
• 在Hurst指数H和G存在不确定性的情况下，仍能严格控制第一类错误率。
• 开发一种计算高效且适用于金融、地球物理学和神经科学等实际应用的检验方法。

提出的方法

• 该方法整合了跨多个时间尺度的DCCA系数信息，构建用于检测幂律交叉相关性的检验统计量。
• 推导了在零交叉相关性原假设下DCCA相关系数ρDCCA的渐近分布。
• 通过使用ρDCCA极限方差的最坏情况上限，确保在H和G被估计而非已知时，第一类错误控制具有保守性。
• 在长程依赖的半参数模型下推导了ρDCCA的极限协方差矩阵，可容纳任意阶多项式趋势。
• 通过正态分布抽样高效计算p值，避免了分数阶高斯噪声的昂贵模拟。
• 通过在已知和估计的Hurst参数下进行模拟验证，确认了方法的鲁棒性和准确性。

实验结果

研究问题

• RQ1 能否基于跨时间尺度的DCCA开发出一种统计严谨且高效的幂律交叉相关性检验方法？
• RQ2 当H和G被估计而非已知时，如何严格控制第一类错误率？
• RQ3 该方法在长程依赖时间序列中对任意阶多项式趋势的鲁棒性如何？
• RQ4 与基于模拟的方法相比，所提出方法在估计检验统计量分布方面的计算效率如何？
• RQ5 在有限样本大小下，该检验检测微弱长程交叉相关性的统计功效如何？

主要发现

• 所提出的检验通过使用ρDCCA方差的最坏情况上限，即使在H和G被估计时，也能严格控制第一类错误率。
• 该方法比基于模拟估计临界值的方法快逾10万倍，可在数秒内完成p值计算。
• 当H和G已知时，检验的拒绝边界位于基于中心极限定理的边界之下，证实了第一类错误控制的保守性。
• 当N = 40,000且ρ ≥ 0.07时，检验在超过50%的案例中拒绝原假设，表明其具备检测微弱长程交叉相关性的足够功效。
• 该检验对任意阶多项式趋势保持鲁棒性，继承了DCCA在处理非平稳性方面的关键优势。
• 即使H和G未知，该方法仍能生成有效的p值，通过使用考虑估计不确定性的保守边界。