[论文解读] Better than DFA? A Bayesian Method for Estimating the Hurst Exponent in Behavioral Sciences

Aaron D. Likens, Madhur Mangalam+3 more|arXiv (Cornell University)|Jan 26, 2023

Complex Systems and Time Series Analysis被引用 6

一句话总结

本文提出了一种贝叶斯赫斯特-科尔莫戈罗夫（HK）方法，作为行为科学时间序列中赫斯特指数估计的更优替代方案，相较于去趋势波动分析（DFA）。与DFA不同，HK方法在时间序列长度或真实赫斯特指数变化时，均能提供高度一致、低离散度的估计结果，即使样本量少至32个，其离散度也接近于零，且在短时间序列或噪声较大的实证数据中，其准确性和可靠性均优于DFA。

ABSTRACT

Detrended Fluctuation Analysis (DFA) is the most popular fractal analytical technique used to evaluate the strength of long-range correlations in empirical time series in terms of the Hurst exponent, $H$. Specifically, DFA quantifies the linear regression slope in log-log coordinates representing the relationship between the time series' variability and the number of timescales over which this variability is computed. We compared the performance of two methods of fractal analysis -- the current gold standard, DFA, and a Bayesian method that is not currently well-known in behavioral sciences: the Hurst-Kolmogorov (HK) method -- in estimating the Hurst exponent of synthetic and empirical time series. Simulations demonstrate that the HK method consistently outperforms DFA in three important ways. The HK method: (i) accurately assesses long-range correlations when the measurement time series is short, (ii) shows minimal dispersion about the central tendency, and (iii) yields a point estimate that does not depend on the length of the measurement time series or its underlying Hurst exponent. Comparing the two methods using empirical time series from multiple settings further supports these findings. We conclude that applying DFA to synthetic time series and empirical time series during brief trials is unreliable and encourage the systematic application of the HK method to assess the Hurst exponent of empirical time series in behavioral sciences.

研究动机与目标

• 解决DFA在行为科学中常见短实证时间序列中估计赫斯特指数不可靠的问题。
• 评估贝叶斯方法（特别是赫斯特-科尔莫戈罗夫（HK）方法）是否能比DFA更准确、更一致地估计长程相关性。
• 在不同时间序列长度和赫斯特指数值的条件下，比较DFA与HK方法在合成及实证时间序列中的表现。
• 证明HK方法的点估计值独立于时间序列长度或潜在赫斯特指数，而DFA则不然。
• 倡导在行为科学研究中系统性地采用HK方法，以提升可重复性与生物标志物的有效性。

提出的方法

• 本研究采用基于赫斯特-科尔莫戈罗夫随机过程的贝叶斯估计框架，从时间序列数据中推断赫斯特指数。
• HK方法将时间序列建模为自相似的长记忆过程，并利用自相关系数幂律衰减导出的似然函数。
• 通过马尔可夫链蒙特卡洛（MCMC）抽样计算赫斯特指数的后验分布，以获得点估计值和可信区间。
• 该方法被应用于合成分数布朗运动时间序列以及人类运动的实证数据（如步态间隔、反应时间）。
• 通过评估不同时间序列长度和真实赫斯特指数值下估计值的偏差、方差和一致性，将HK方法与DFA进行比较。
• 尽管完整敏感性分析尚为未来工作，但HK方法在非平稳性、趋势和非线性条件下的鲁棒性已得到测试。

实验结果

研究问题

• RQ1 在短时间序列中，贝叶斯HK方法是否能提供比DFA更准确、更少离散度的赫斯特指数估计？
• RQ2 DFA与HK方法的赫斯特指数估计离散度如何随时间序列长度和真实赫斯特指数变化？
• RQ3 HK方法的赫斯特指数点估计是否独立于时间序列长度，而DFA则不然？
• RQ4 在存在趋势和非平稳性等固有复杂性的实证行为时间序列中，两种方法的表现如何？
• RQ5 HK方法能否在行为实验中常见的简短试验中可靠地估计长程相关性？

主要发现

• 即使时间序列短至32个样本，HK方法的赫斯特指数估计离散度也接近于零，而DFA在相同条件下表现出显著离散度。
• 对于64个样本的时间序列，HK方法在真实赫斯特指数周围保持极低离散度，而DFA的离散度随真实H值升高而显著增加。
• 与DFA高度依赖时间序列长度和真实H值不同，HK方法在任何长度或真实H值下均能产生一致的赫斯特指数点估计。
• 在步行和跑步试验的实证数据中，HK方法在同一条时间序列的不同子段中均保持稳定的赫斯特指数估计，而DFA的估计值随子段长度变化显著波动。
• 在所有测试的模拟条件下，HK方法均优于DFA，尤其在数据有限的场景中表现更优，而此类场景在行为科学实验中极为常见。
• 研究结论认为，应在简短试验中谨慎使用DFA，而应系统性地采用HK方法，以更可靠地估计行为数据中的长程相关性。