推断混合频率时间序列之间的有向谱信息流
信号处理
2024-11-14 v3 定量方法
摘要
识别多元时间序列之间的有向谱信息流对于金融、气候、地球物理和神经科学中的许多应用至关重要。谱格兰杰因果性（SGC）是一种基于预测的度量，用于表征特定振荡频率上的有向信息流。然而，当时间序列具有混合频率（MF）或由非线性耦合时，传统的向量自回归（VAR）方法不足以评估 SGC。在这里，我们提出了一种时频典型相关分析方法（MF-TFCCA），用于评估谱信息流的强度和驱动频率。我们在各种交互条件下的混合频率时间序列上通过广泛的计算机模拟验证了该方法，并通过替代数据评估了估计的统计显著性。在各种基准比较中，MF-TFCCA 在计算效率和检测准确性方面始终优于传统的参数化 MF-VAR 模型，并恢复了主导驱动频率。我们进一步将 MF-TFCCA 应用于真实的金融、气候和神经科学数据。我们的分析框架提供了一种探索性的、计算高效的非参数方法，用于在复杂和非线性相互作用下量化混合频率时间序列之间的有向信息流。
引用
@article{arxiv.2408.06109,
title = {Inferring directed spectral information flow between mixed-frequency time series},
author = {Qiqi Xian and Zhe Sage Chen},
journal= {arXiv preprint arXiv:2408.06109},
year = {2024}
}
备注
Number of Figures: 8 Number of Box: 1 Number of Supplementary Figures: 10 Number of Supplementary Tables: 2