[论文解读] Detecting nonlinearity in multivariate time series

Milan Paluš|RePEc: Research Papers in Economics|Jul 31, 1995

Spectroscopy and Chemometric Analyses被引用 5

一句话总结

本文提出了一种多变量非线性检测方法，该方法将基于冗余的置换数据技术扩展至多变量时间序列，以检测其中的非线性依赖关系。通过结合线性冗余度度量与多变量置换数据，该方法能有效识别非线性结构，同时最大限度减少因置换数据不完美而引起的误报，其在合成数据及真实生理和气象数据集上均表现出色。

ABSTRACT

We propose an extension to time series with several simultaneously measured variables of the nonlinearity test, which combines the redundancy -- linear redundancy approach with the surrogate data technique. For several variables various types of the redundancies can be defined, in order to test specific dependence structures between/among (groups of) variables. The null hypothesis of a multivariate linear stochastic process is tested using the multivariate surrogate data. The linear redundancies are used in order to avoid spurious results due to imperfect surrogates. The method is demonstrated using two types of numerically generated multivariate series (linear and nonlinear) and experimental multivariate data from meteorology and physiology.

研究动机与目标

• 开发一种在多个变量同时观测的多变量时间序列中可靠检测非线性的稳健方法。
• 解决在多变量环境下，由于置换数据不完美而导致的虚假非线性检测问题。
• 通过引入结构化的冗余度度量，将单变量非线性检测技术扩展至多变量系统。
• 实现对复杂系统中变量组之间特定依赖结构的检验。
• 为区分多变量数据中的线性随机过程与非线性动力学提供一个统计上可靠的框架。

提出的方法

• 通过在变量之间定义多种类型的冗余度，将单变量基于冗余度的非线性检验方法扩展至多变量时间序列。
• 使用在原假设为线性随机过程下的多变量置换数据，以保持边际统计量和线性互相关性。
• 在原始数据和置换数据上计算线性冗余度度量，以量化从其他变量预测某一变量的可预测性。
• 通过比较原始数据与置换数据中的冗余度进行检验；若差异显著，则表明存在非线性依赖。
• 使用多种冗余类型探测不同的依赖结构，如组内或成对关系。
• 通过确保仅将线性模型无法捕捉的非线性结构标记为显著，从而减少误报。

实验结果

研究问题

• RQ1 当多个时间序列同时被观测时，能否可靠检测多变量非线性？
• RQ2 如何将冗余度度量适配至多变量系统，以检测特定的非线性依赖结构？
• RQ3 在多变量环境下，不完美的置换数据在多大程度上会导致非线性被错误检测？
• RQ4 该方法能否在真实世界多变量数据中区分线性随机过程与非线性动力学？
• RQ5 基于冗余度的置换数据方法在检测如气象和生理时间序列等复杂系统中的非线性方面，效果如何？

主要发现

• 该方法在已知具有非线性结构的数值生成多变量时间序列中成功检测到非线性动力学，表现出高统计效能。
• 使用线性冗余度度量显著减少了因置换数据不完美而引起的误报，提升了检验的可靠性。
• 在生理数据（如心率与血压）中，该方法识别出线性模型无法捕捉的非线性相互依赖关系。
• 在气象数据中，该方法揭示了大气变量之间的非线性耦合，证实其在地球物理系统中的适用性。
• 该方法在不同类型的多变量数据中表现出鲁棒性，包括模拟数据和真实世界时间序列。
• 结果证实，结合置换检验的多变量冗余度分析是检测复杂系统中非线性结构的强大工具。