MerQuR+Başvuru Kitabı

109. Çok fraktallı eğilimden arındırılmış dalgalanma analizi (R)

Şablon kimliği: mfdfa · Kategori: zaman_serisi · Dil: R · Dosya: pro/sablonlar/zaman_serisi/mfdfa.R (satır 1–326; üstbilgi 1–136) · Örnek veri: _ornek/fraktal_seriler.csv · Paketler: yalnız temel R (stats, graphics; R 4.5.3) · Python eşi: Bölüm 110

109.1 Ne işe yarar

Şablon, bir zaman serisinin ölçeklenme davranışını eğilimden arındırılmış dalgalanma analizi (DFA; Peng ve ark., 1994) ve çok fraktallı genellemesi MFDFA (Kantelhardt ve ark., 2002) ile inceler. Cevapladığı soru: "Serideki dalgalanmaların ölçekle büyümesi tek bir Hurst üssüyle mi (F(s)\propto s^H) yoksa dalgalanmanın büyüklüğüne göre değişen bir üsler ailesi h(q) ile mi betimlenir?" h(q) q'ya bağlıysa seri çok fraktallıdır; h(q) sabitse tek fraktallı (monofraktal) yapıdadır.

Şablon, h(q)'yu, kütle üssü \tau(q)=q\,h(q)-1'i, Legendre dönüşümüyle tekillik gücü \alpha'yı ve tekillik spektrumu f(\alpha)'yı verir; özet olarak h(2) (DFA Hurst üssü), \Delta h, spektrum genişliği \Delta\alpha, tepe noktası \alpha_0 ve asimetri A'yı hesaplar. İsteğe bağlı olarak karıştırılmış ve faz rastgeleleştirilmiş yüzey serilerle karşılaştırarak çoklu fraktallığın kaynağını (uzun erimli ilişki ya da geniş dağılım) yorumlar.

Ne zaman kullanılır?

  • Finansal getiriler, nehir debileri, kalp atış aralıkları, rüzgâr hızı gibi dalgalanma yoğunluğunun zamanla "kümelendiği" serilerde ölçeklenmenin tek bir üsle yetinmediği kuşkusunda.
  • Hurst üssünü eğilime dayanıklı biçimde kestirmek (h(2)) ve çoklu fraktallığın gücünü (\Delta h, \Delta\alpha) görmek için.

Ne zaman kullanılmaz?

  • Yalnız tek bir Hurst üssü isteniyorsa ve kestirici karşılaştırması gerekiyorsa: Bölüm 103 hurst_karsilastirma.
  • Parametrik uzun bellek modeli (ARFIMA) ve çıkarım için: Bölüm 96 arfima.
  • İki seri arasındaki çapraz ilişkinin ölçeklenmesi (MF-DXA, DCCA) ya da iki boyutlu veri için: şablon desteklemez.
  • Durağan olmayan bir yürüyüş (fiyat, birikimli toplam) farklanmadan verilirse h(2)>1 çıkar; "Önce birinci fark al" seçilir.
  • Çok kısa seri (N<64) ya da çok sayıda sabit bölge içeren seri (109.8).
  • R kurulu olmayan bilgisayarda: aynı hesabı gömülü Python ile yapan Bölüm 110 mfdfa_py.

Temel programla ilişki. Temel programda DFA ya da MFDFA analizi yoktur. Bağımsız doğrulama R paketi MFDFA (Laib ve ark., 2018), kapalı biçimli ikili kaskad kuramı ve Python/R ile ayrı yazılmış hesaplarla yapılmıştır (109.6).

109.2 Şablonun girdileri

Form, üstbilgideki 15 [[param]] bloğundan kurulur (mfdfa.R:11–135). Türlerin ve formun ortak denetiminin anlamı Bölüm 1.2'de anlatılmıştır.

Alan (form etiketi) · ad Tür · sekme Varsayılan Geçerli değerler Kodda etkisi
Seri · y sayısal sütun · Değişkenler ilk sayısal sütun sayısal sütun Artış (gürültü) biçimindeki seri; baştaki/sondaki eksikler atılır, ortadaki eksik hata verir (139–145).
Önce birinci fark al · fark onay · Model kapalı açık / kapalı x_t\leftarrow x_t-x_{t-1} (146).
En küçük ölçek s_{\min} · olcek_min tamsayı · Model 16 4–100000 m+2'den küçük olamaz (151).
En büyük ölçek s_{\max} · olcek_max tamsayı · Model 0 0–10000000 0: \lfloor N/4\rfloor; en çok N/2 (150, 153).
Ölçek sayısı · olcek_sayisi tamsayı · Model 20 3–200 Logaritmik aralıklı ölçek sayısı (156).
Eğilim polinomu derecesi m · m tamsayı · Model 1 1–3 MFDFA-m (148).
q alt sınır · q_min ondalık · Model −5,0 −20–20 (158, 163).
q üst sınır · q_max ondalık · Model 5,0 −20–20 Alt sınırdan büyük olmalı (159).
q adımı · q_adim ondalık · Model 0,5 0,01–10 Izgara q_{\min},q_{\min}+\text{adım},\dots, en çok 401 değer (160–163).
İki yönlü bölütleme · iki_yonlu onay · Gelişmiş açık açık / kapalı Açıkken 2N_s bölüt, kapalıyken yalnız baştan N_s (164, 173).
Kaynak karşılaştırması · karsilastirma seçim · Seçenekler yok yok, karistirma, yuzey, ikisi 109.4.5 (249–301).
Karşılaştırma tekrar sayısı · tekrar tamsayı · Seçenekler 20 1–1000 Her tür için üretilen seri sayısı (252).
Rastgele sayı tohumu · tohum tamsayı · Seçenekler 1 0–2147483647 set.seed(tohum) (251).
h(q) güven düzeyi (%) · guven ondalık · Seçenekler 95 50–99,9 t_{K-2} aralığı (165, 205).
Grafikler · grafik onay · Çıktı açık açık / kapalı (303–325).

Şablonun kendi denetimleri.

Koşul İleti (özet) Satır
Veri açık değil "Önce Veri sekmesinde bir veri açın." 139
Sayısal gözlem sayısı <3 "Seride yeterli sayısal gözlem yok." 142
Ortada eksik değer "… MFDFA ardışık gözlem ister." 144
s_{\min}<m+2 "En küçük ölçek en az m + 2 = … olmalı." 151
N<4\max(s_{\min},m+2) ya da N<64 "MFDFA için en az … gözlem gerekli (şu an …)." 152
s_{\max}>N/2 "En büyük ölçek en çok N/2 = … olabilir." 153
s_{\max}\le s_{\min} "En büyük ölçek en küçük ölçekten büyük olmalı." 154
Sabit seri ya da 10'dan az farklı değer "Seri sabit ya da çok az farklı değer içeriyor." 155
3'ten az farklı ölçek "En az 3 farklı ölçek gerekli; ölçek aralığını genişletin." 157
q_{\min}\ge q_{\max} "q alt sınırı üst sınırdan küçük olmalı." 159
q değeri <3 ya da >401 "Legendre dönüşümü için en az 3 q değeri gerekli …" / "q ızgarası 401 değeri aşamaz …" 161–162
Bölütte artık varyansı tam 0 "Bazı bölütlerde eğilimden arındırılmış artık varyans sıfır …" 188–191

Virgüllü ondalık yazılmış metin sütunu forma girmez; sayısal sütun "kategorik" türde işaretlense de değerler sayı olarak aktarılır ve sonuç değişmez (mfdfa_kategorik: h(2)=0{,}757832 sayısal sütunla aynı).

Örnek ayar (ornek_param, satır 9): y = binom, olcek_min = 16, olcek_max = 0, olcek_sayisi = 20, m = 1, q_min = −5, q_max = 5, q_adim = 0,5, karsilastirma = yok; öteki alanlar varsayılandadır.

109.3 Örnek veri

fraktal_seriler.csv: 8192 satır, altı sayısal sütun; eksik değer yok. Seriler doğrulama için sabit tohumla üretilmiş yapay serilerdir (Bölüm 103.3).

Değişken Rol Tür Özet
binom seri: çoklu fraktal ikili kaskad, a=0{,}75, n_{\max}=13 sayısal toplam =1; en küçük 1{,}49\times10^{-8}; en büyük 0{,}02376
fgn07, fgn03, beyaz kesirli Gauss gürültüsü (H=0{,}7; 0{,}3) ve beyaz gürültü sayısal ss \approx1
t, weierstrass sıra, Weierstrass tipi seri sayısal —

binom serisi x_k=a^{\,n(k-1)}(1-a)^{\,n_{\max}-n(k-1)}'dir; n(k), k'nin ikili açılımındaki 1'lerin sayısı. Kuramsal \tau(q)=-\ln\big(a^q+(1-a)^q\big)/\ln2 ve h(q)=\{1+\tau(q)\}/q (Kantelhardt ve ark., 2002, eş. 19–21). Kategorik değişken yoktur.

Bu bölümde şu çalıştırmalar kullanılır:

Ad Veri / ayar Amaç
mfdfa_ornek binom, örnek ayar ana sonuç, elle hesap
mfdfa_tekyon örnek ayar, iki_yonlu kapalı MFDFA paketiyle eşleşme
mfdfa_m2 m=2 polinom derecesi duyarlığı
mfdfa_kars_ikisi karsilastirma = ikisi, tekrar = 10, tohum = 1 kaynak karşılaştırması
mfdfa_fgn07, mfdfa_yuruyus, mfdfa_yuruyus_fark fgn07; yürüyüş farksız ve fark açık tek fraktallı seri, yürüyüş
mfdfa_qadim03, mfdfa_buyukq q adımı 0,3; q\in[-20{,}20] adım 2 q ızgarası
mfdfa_sifir, mfdfa_kisa, mfdfa_n256 sabit bölgeli seri; 100 ve 256 gözlem sınır durumları

109.4 Yöntem: formüller ve hesap adımları

Şablon seriyi okur (isteğe bağlı olarak farklar), ortalamasını çıkarıp profilini alır, her ölçekte bölütleyip eğilimi çıkarır, F_q(s)'yi q ızgarasında hesaplar, h(q)'yu log-log regresyonuyla kestirir ve Legendre dönüşümüyle spektrumu kurar.

109.4.1 Profil ve bölütleme

Y(i)=\sum_{k=1}^{i}\big(x_k-\bar x\big),\qquad N_s=\lfloor N/s\rfloor

Her s ölçeğinde profil, baştan N_s ve sondan N_s olmak üzere 2N_s örtüşmeyen bölüte ayrılır (Kantelhardt ve ark., 2002); N s'nin katı değilse sondaki kısa parça böylece atılmaz. iki_yonlu kapalıysa yalnız baştan N_s bölüt kullanılır (R paketi MFDFA'nın tanımı).

109.4.2 Eğilimin çıkarılması ve F^2(\nu,s)

Her bölütte m dereceli polinom eğilimi çıkarılır ve artıkların ortalama karesi hesaplanır:

F^{2}(\nu,s)=\frac1s\sum_{i=1}^{s}\big\{Y_\nu(i)-y_\nu(i)\big\}^{2}
  • Y_\nu(i): \nu. bölütün i. profil değeri; y_\nu(i): o bölüte uydurulan m dereceli polinom.
  • F^2(\nu,s): bölütün eğilimden arındırılmış artık varyansı.

Koddaki tercih

Dik izdüşümle eğilim çıkarma. Polinom, u_i=\{i-(s+1)/2\}/s üzerindeki Vandermonde matrisinin QR ayrışımının Q matrisiyle çıkarılır: artık =A-Q\,Q^{\top}A (170–175). Bu, normal denklemlerle çözülen en küçük kareler polinomuyla aynı artığı verir (109.6'da np.polyfit ve lm ile yeniden hesaplanarak denetlenir) ve yüksek m'de sayısal olarak daha kararlıdır.

109.4.3 Dalgalanma fonksiyonu ve h(q)

F_q(s)=\Big\{\frac1{2N_s}\sum_{\nu=1}^{2N_s}\big[F^2(\nu,s)\big]^{q/2}\Big\}^{1/q}\ (q\ne0),\qquad F_0(s)=\exp\Big\{\frac1{4N_s}\sum_{\nu=1}^{2N_s}\ln F^2(\nu,s)\Big\}
F_q(s)\propto s^{h(q)},\qquad \hat h(q)=\text{eğim}\ \big[\ln F_q(s)\ \text{ üzerine}\ \ln s\big]
  • q>0: büyük dalgalanmalı bölütleri, q<0: küçük dalgalanmalı bölütleri öne çıkarır.
  • h(2): klasik DFA Hurst üssü; durağan artış serisinde h(2)=H.
  • Eğimin SH'si \sqrt{\sum e_k^2/\{(K-2)\sum(\ln s_k-\overline{\ln s})^2\}}, aralığı t_{K-2} ile kurulur (K: ölçek sayısı).

Ölçekler s_{\min}'den s_{\max}'a \exp\{\mathrm{seq}(\ln s_{\min},\ln s_{\max})\} ile logaritmik eşit aralıklı alınır ve yuvarlanır; yinelenenler bir kez kullanılır (156).

Aralıklar iyimserdir

Komşu ölçeklerde F_q aynı verilerden hesaplandığından regresyon SH'si küçük çıkar. Aralıklar betimleyicidir (Bölüm 103.4.1).

109.4.4 Kütle üssü, tekillik spektrumu ve özet büyüklükler

\tau(q)=q\,h(q)-1,\qquad \alpha(q)=\frac{d\tau}{dq},\qquad f(\alpha)=q\,\alpha-\tau(q)
  • \tau(q): kütle üssü; tek fraktallı seride doğrusaldır.
  • \alpha: tekillik gücü; f(\alpha): o güçteki tekilliklerin fraktal boyutu (Halsey ve ark., 1986).

\alpha türevi q ızgarasında merkezi farkla alınır; iki uçta tek yönlü fark kullanılır (numpy.gradient ile aynı). Özet büyüklükler:

\Delta h=h(q_{\min})-h(q_{\max}),\quad \Delta\alpha=\alpha_{\max}-\alpha_{\min},\quad \alpha_0=\arg\max_\alpha f(\alpha),\quad A=\frac{\Delta\alpha_L-\Delta\alpha_R}{\Delta\alpha_L+\Delta\alpha_R}
  • \Delta\alpha_L=\alpha_0-\alpha_{\min}, \Delta\alpha_R=\alpha_{\max}-\alpha_0: spektrumun tepe noktasının solundaki ve sağındaki genişlik.
  • A<0 sağa, A>0 sola çarpık spektrum (Drożdż ve Oświęcimka, 2015).

Koddaki tercih

q ızgarası. n_q=\lfloor(q_{\max}-q_{\min})/\text{adım}+10^{-9}\rfloor+1 nokta alınır (160). (q_{\max}-q_{\min}) adımın tam katı değilse son nokta q_{\max}'ın altında kalır (örnek: adım 0,3 için q son noktası 4,9); özet satırlarındaki "h(q_{\max})" etiketi son q'yu adlandırır ("h(q_max = 4,9)"), başlık satırı da son q'yu yazar ve "q ızgarası q_max değerine ulaşmıyor" notu eklenir (215–217, 219–220, 223). \Delta h, h(q_{\min})-h(q_{\text{son}})'dır (109.8).

109.4.5 Karşılaştırma: karıştırılmış ve yüzey seriler

karsilastirma seçilirse (tekrar adet) iki tür seri üretilir ve her birinde h(q) yeniden kestirilir: karıştırılmış seri (gözlemler rastgele permütlenir: zaman ilişkileri bozulur, dağılım korunur) ve yüzey seri (faz rastgeleleştirme: X_k\leftarrow|X_k|\,e^{i\varphi_k}, \varphi_k\sim U(0{,}2\pi), eşlenik simetriyle; doğrusal ilişki ve güç spektrumu korunur, dağılım Gauss'a yaklaşır; Theiler ve ark., 1992). Özgün \Delta h 0,1'in altındaysa "belirgin çoklu fraktallık yok; kaynak yorumu yapılmadı" yazılır. Değilse karıştırılmış/özgün \Delta h oranı r ile: r<0{,}3 ise çoklu fraktallık büyük ölçüde zaman ilişkilerinden (uzun erimli ilişki), r>0{,}7 ise geniş (kalın kuyruklu) dağılımdan, aradaysa ikisinden gelir; yüzey/özgün oranı <0{,}3 ise doğrusal ilişkiler çoklu fraktallığı açıklamıyordur (Kantelhardt ve ark., 2002, Bölüm 5).

Koddaki tercih

Tohum. set.seed(tohum) karşılaştırma bloğunun başında bir kez çağrılır (251); aynı tohum ve aynı veri aynı sonucu verir. Arayüzdeki ortak Tohum alanı (Bölüm 1.3) bu alandan ayrıdır: şablonun tohum parametresi kodda set.seed'e doğrudan gider. Python ikizi aynı tohumla farklı rastgele sayı dizisi üretir (Bölüm 110).

109.5 Kod adım adım

Satırlar Ne yapar Neden / dikkat
1–136 Üstbilgi: 15 parametre, örnek veri, örnek ayar.
139–165 Veri ve parametre denetimi; ölçek ve q ızgarası. q yuvarlaması 10^{-10}'a (163).
167–182 f2_hesap (Q izdüşümü, iki yönlü bölütleme), fq_hesap, egim. iki_yonlu açıksa bölütler \texttt{cbind} ile birleştirilir (173).
183–195 turev (numpy.gradient eşi), mfdfa_cekirdek, hq_hesap. Sıfır artık varyans denetimi v>10^{-12}\overline{Y^2} (188–191).
197–213 Ana hesap: F_q (q ızgarası ve q=2), h, \tau, \alpha, f(\alpha), \alpha_0, A, \Delta h. DFA için q=2 ayrıca hesaplanır (197–200).
215–239 Metin satırı, özet tablosu (17 satır), h(q) tablosu, F_q(s) tablosu, uyarılar. h(q_{\min})<h(q_{\max}) ise ya da h(2)>1 ise not (236–239).
241–301 Karşılaştırma: yuzey, sample, her tekrarda h(q), \Delta h, \Delta\alpha, yorum. Yorum eşikleri 0,1; 0,3; 0,7 (281–298).
303–325 Üç grafik: F_q(s) log-log; h(q) eğrisi (GA çubukları, karşılaştırma); f(\alpha).

Kritik satırlar, polinom izdüşümü ve sıfır varyans denetimidir:

Q <- qr.Q(qr(outer(u, 0:m, "^")))
A <- matrix(Y[seq_len(Ns * s)], nrow = s)          # + sondan bölütler (iki yönlü)
R <- A - Q %*% crossprod(Q, A)                     # polinom eğilimi çıkarılmış artıklar
esik0 <- 1e-12 * mean(Y^2)
if (any(vapply(F2, function(v) any(!(v > esik0)), TRUE))) mq_hata(...)

Eşik profilin ortalama karesine göredir (10^{-12}\,\overline{Y^2}): sabit ya da doğrusal bir bölgenin artığı kayan noktada \sim10^{-30} kalsa da sıfıra yakın sayılır ve çalıştırma iletiyle durur; böylece q<0 için F_q yuvarlama değerlerince belirlenmez (109.8). Süre: örnek ayarda 3,2 s; karşılaştırma açıkken 2\times tekrar kez MFDFA çekirdeği çalışır.

109.6 Elle hesap: örnek veride bağımsız yeniden hesap

Ara değerler dogrulama/mfdfa/elle_hesap.py ile hesaplanmıştır: yalnız numpy ve scipy; her bölütte eğilim np.polyfit ile çıkarılmış, bölütler ayrı döngülerle kurulmuştur (şablonun QR izdüşümü kullanılmamıştır). dogrulama/mfdfa/r_dogrulama.R iki yönlü bölütlemeyi temel R'de lm ile, tek yönlü bölütlemeyi R paketi MFDFA ile yeniden hesaplar. Veri binom, N=8192, s=16\dots2048 (20 ölçek), m=1, q=-5\dots5.

Adım 1 — Bölüt sayıları ve F_q(s). s=16 için N_s=512, 2N_s=1024 bölüt; s=2048 için N_s=4, 8 bölüt. q=2: F_2(16)=5{,}0721\times10^{-4}, F_2(2048)=2{,}05095\times10^{-2}. q=-5: F_{-5}(16)=1{,}25449\times10^{-6}, F_{-5}(2048)=5{,}40361\times10^{-3}. q=5: 2{,}06667\times10^{-3} ve 2{,}8024\times10^{-2}.

Adım 2 — h(q). Ölçekler arası log-log eğim; seçili q için (h, SH, R^2):

q h(q) SH R^2 \tau(q) \alpha f(\alpha)
−5 1,768275 0,033179 0,993703 −9,841377 1,966112 0,010817
−2 1,527441 0,022522 0,996102 −4,054881 1,810866 0,433149
0 1,140550 0,005805 0,999534 −1,000000 1,139458 1,000000
2 0,757832 0,009782 0,997010 0,515665 0,500008 0,484351
5 0,536051 0,014554 0,986906 1,680255 0,344427 0,041879

Adım 3 — Özet büyüklükler. h(2)=0{,}757832 (\operatorname{SH}=0{,}009782, R^2=0{,}997010); \Delta h=1{,}768275-0{,}536051=1{,}232224; \alpha_{\min}=0{,}344427, \alpha_{\max}=1{,}966112, \Delta\alpha=1{,}621685; f(\alpha)'nın tepesi q=0'da (f=1), \alpha_0=1{,}139458; \Delta\alpha_L=0{,}795031, \Delta\alpha_R=0{,}826654, A=-0{,}019500.

Adım 4 — Kuramsal kaskadla karşılaştırma. a=0{,}75 için \tau(q)=-\ln(a^q+(1-a)^q)/\ln2:

q \tau kuramsal \tau ölçülen h kuramsal h ölçülen fark
−5 −10,005925 −9,841377 1,801185 1,768275 −0,0329
−2 −4,152003 −4,054881 1,576002 1,527441 −0,0486
2 0,678072 0,515665 0,839036 0,757832 −0,0812
5 2,069263 1,680255 0,613853 0,536051 −0,0778

Ölçülen h(q) bütün q'larda kuramsaldan 0,03–0,08 küçüktür: sonlu uzunluk (N=8192) ve m=1 eğilim çıkarmanın küçük ölçeklerde getirdiği bilinen yanlılıktır (Kantelhardt ve ark., 2002). Bu fark yöntemden değil örneklemden gelir; elle hesap, R paketi ve şablon aynı sayıyı verir (aşağıda).

Adım 5 — Tek fraktallı seriler. fgn07 için h(2)=0{,}6808 (gerçek 0,7), \Delta h=0{,}0276, \Delta\alpha=0{,}0602; fgn03 için 0{,}3023 ve \Delta h=0{,}0283; beyaz için 0{,}4905 ve \Delta h=0{,}0259 (elle_hesap.json). Tek fraktallı serilerde \Delta h\approx0{,}03 sonlu örnek gürültüsüdür; \Delta h<0{,}1 eşiğiyle çoklu fraktallık yok sayılır.

109.6.1 Doğrulama: MerQuR+, Python, R ve R paketi

MerQuR+ sütunu mfdfa_ornek tablolarından tam hassasiyetle alınmıştır. Python sütunu elle_hesap.py'den; R sütunu r_dogrulama.R'den (iki yönlü: lm; tek yönlü F_q(s): MFDFA paketi, yalnız tamsayı q) gelir.

Büyüklük MerQuR+ Python (bağımsız) R (bağımsız) En büyük fark
h(2), DFA 0,75783248 0,75783248 0,75783248 1,7e−14 ✓
SH(h(2)) 0,00978204 0,00978204 0,00978204 2,0e−16 ✓
R²(DFA) 0,99700991 0,99700991 0,99700991 8,1e−15 ✓
Δh = h(−5) − h(5) 1,23222429 1,23222429 1,23222429 3,2e−13 ✓
α_min 0,34442689 0,34442689 0,34442689 4,1e−14 ✓
α_max 1,96611198 1,96611198 1,96611198 1,2e−13 ✓
α₀ (f(α) tepesi) 1,13945798 1,13945798 1,13945798 8,8e−15 ✓
Δα 1,62168509 1,62168509 1,62168509 1,2e−13 ✓
Asimetri A −0,01950003 −0,01950003 −0,01950003 8,1e−14 ✓
h(−5) 1,76827538 1,76827538 1,76827538 1,8e−13 ✓
SH(h(−5)) 0,03317851 0,03317851 0,03317851 1,8e−15 ✓
τ(−5) −9,8413769 −9,8413769 −9,8413769 4,8e−14 ✓
α(−5) 1,96611198 1,96611198 1,96611198 1,2e−13 ✓
f(α(−5)) 0,01081702 0,01081702 0,01081702 4,2e−13 ✓
h(−2) 1,52744051 1,52744051 1,52744051 1,1e−14 ✓
SH(h(−2)) 0,02252179 0,02252179 0,02252179 3,3e−15 ✓
τ(−2) −4,05488101 −4,05488101 −4,05488101 8,5e−15 ✓
α(−2) 1,81086605 1,81086605 1,81086605 5,0e−14 ✓
f(α(−2)) 0,43314892 0,43314892 0,43314892 1,0e−13 ✓
h(0) 1,14055047 1,14055047 1,14055047 2,3e−13 ✓
SH(h(0)) 0,00580534 0,00580534 0,00580534 2,0e−15 ✓
τ(0) −1 −1 −1 0 ✓
α(0) 1,13945798 1,13945798 1,13945798 8,8e−15 ✓
f(α(0)) 1 1 1 0 ✓
h(2) 0,75783248 0,75783248 0,75783248 1,7e−14 ✓
SH(h(2)) 0,00978204 0,00978204 0,00978204 2,0e−16 ✓
τ(2) 0,51566495 0,51566495 0,51566495 3,3e−14 ✓
α(2) 0,50000815 0,50000815 0,50000815 6,7e−15 ✓
f(α(2)) 0,48435135 0,48435135 0,48435135 3,3e−14 ✓
h(5) 0,53605109 0,53605109 0,53605109 1,1e−14 ✓
SH(h(5)) 0,01455359 0,01455359 0,01455359 1,2e−15 ✓
τ(5) 1,68025546 1,68025546 1,68025546 2,6e−13 ✓
α(5) 0,34442689 0,34442689 0,34442689 4,1e−14 ✓
f(α(5)) 0,04187898 0,04187898 0,04187898 1,7e−13 ✓
F_q(s): s = 16, q = −5 1,254488·10−6 1,254488·10−6 1,254488·10−6 1,2e−19 ✓
F_q(s): s = 16, q = 2 5,072101·10−4 5,072101·10−4 5,072101·10−4 1,0e−16 ✓
F_q(s): s = 159, q = −5 5,918145·10−5 5,918145·10−5 5,918145·10−5 6,6e−18 ✓
F_q(s): s = 159, q = 2 0,00260091 0,00260091 0,00260091 3,0e−16 ✓
F_q(s): s = 2048, q = −5 0,00540361 0,00540361 0,00540361 3,0e−16 ✓
F_q(s): s = 2048, q = 2 0,02050953 0,02050953 0,02050953 4,4e−15 ✓
Tek yönlü F_q(s): s = 16, q = −5 (MFDFA paketi) 1,254488·10−6 1,254488·10−6 1,254488·10−6 1,2e−19 ✓
Tek yönlü F_q(s): s = 16, q = 2 (MFDFA paketi) 5,072101·10−4 5,072101·10−4 5,072101·10−4 1,0e−16 ✓
Tek yönlü F_q(s): s = 206, q = −5 (MFDFA paketi) 6,759180·10−5 6,759180·10−5 6,759180·10−5 2,0e−17 ✓
Tek yönlü F_q(s): s = 206, q = 2 (MFDFA paketi) 0,00261174 0,00261174 0,00261174 4,0e−16 ✓
Tek yönlü F_q(s): s = 2048, q = −5 (MFDFA paketi) 0,00540361 0,00540361 0,00540361 3,0e−16 ✓
Tek yönlü F_q(s): s = 2048, q = 2 (MFDFA paketi) 0,02050953 0,02050953 0,02050953 4,4e−15 ✓

Ölçütü karşılayan: 46/46. Tek yönlü bölütlemede (iki_yonlu kapalı) F_q(s), R paketi MFDFA ile (yalnız tamsayı q) 10^{-12} içinde aynıdır. Kuramsal ikili kaskad (a=0{,}75): h(2)=0{,}8390, h(-5)=1{,}8012, h(5)=0{,}6139; ölçülen 0{,}7578; 1{,}7683; 0{,}5361 (sonlu örneklem kayması; 109.7'de açıklanır).

Paket karşılaştırması. iki_yonlu kapalıyken şablonun F_q(s) değerleri (20 ölçek \times 11 tamsayı q) R paketi MFDFA'nınkilerle 10^{-12} içinde aynıdır. Paket, h(q)'yu dört ondalık basamağa yuvarlar; bu yüzden karşılaştırma F_q(s) üzerinden yapılmıştır. Şablonun ek özelliği (2N_s bölüt, q ızgarasının ondalık adımı, \tau, f(\alpha), yüzey seriler) pakette yoktur.

109.7 Çıktıyı okuma

Örnek ayarın konsol metni ve tabloları (kısaltılmış):

MFDFA-1; N = 8192; 20 ölçek (s = 16 … 2048); 21 q değeri (-5 … 5, adım 0,5); iki yönlü (2Ns) bölütleme

Çoklu fraktal spektrum özeti
H (DFA, h(2))             0.757832     H için SH           0.00978204
R2 (DFA)                  0.997010     h(q_min = -5)       1.76828
h(q_max = 5)              0.536051     Δh                  1.23222
alfa_min                  0.344427     alfa_max            1.96611
alfa0 (f(α) tepe noktası) 1.139458     Δα                  1.62169
asimetri A                -0.0195000   f(alfa_min)         0.041879     f(alfa_max)  0.010817
N 8192 | ölçek sayısı 20 | s_min 16 | s_max 2048

Genelleştirilmiş Hurst üsleri h(q) ve tekillik spektrumu (%95 GA)
q     h         SH         GA_alt    GA_ust    R2        tau        alfa      f_alfa
-5    1.768275  0.033179   1.698570  1.837981  0.993703  -9.841377  1.966112  0.010817
 0    1.140550  0.005805   1.128354  1.152747  0.999534  -1.000000  1.139458  1.000000
 2    0.757832  0.009782   0.737281  0.778384  0.997010   0.515665  0.500008  0.484351
 5    0.536051  0.014554   0.505475  0.566627  0.986906   1.680255  0.344427  0.041879

Şekil 109.1. Şablonun çizdiği grafikler (örnek veri): sol üst, seçilen q için F_q(s) log-log grafiği ve uydurulan doğrular (q=-5;0;2;5); sağ üst, h(q) eğrisi (%95 GA çubuklarıyla); sol alt, tekillik spektrumu f(\alpha) (kesikli çizgi \alpha_0).

Öğe Ne yazar Nasıl yorumlanır
H (DFA, h(2)), SH, R^2 Klasik DFA Hurst üssü. Örnekte 0{,}758: kalıcı uzun erimli ilişki. R^2 yüksekse ölçeklenme yasası geçerlidir.
\Delta h=h(q_{\min})-h(q_{\max}) h(q)'nun q ile düşüşü. Örnekte 1{,}232: güçlü çoklu fraktallık. Tek fraktallı serilerde \approx0{,}03 (109.6, adım 5).
\Delta\alpha Spektrum genişliği. Örnekte 1{,}622 (f(\alpha) geniş bir tepe). Tek fraktallı seride \approx0{,}06.
\alpha_0, A Spektrum tepesi ve asimetri. A=-0{,}0195: örnekte spektrum neredeyse simetrik.
h(q) tablosu h, SH, GA, R^2, \tau, \alpha, f(\alpha). h(q) q ile azalmalıdır; artıyorsa şablon uyarır (236).
F_q(s) tablosu Her ölçekte bölüt sayısı ve F_q. Log-log'un doğrusallığını ve büyük ölçekte (az bölüt) kararsızlığı gösterir.

Kaynak karşılaştırması (mfdfa_kars_ikisi, tekrar = 10, tohum = 1):

seri                   tekrar  H_DFA    H_DFA_SS  delta_h  delta_h_SS  delta_alfa  delta_alfa_SS
özgün                  1       0.75783  NaN       1.2322   NaN         1.6217      NaN
karıştırılmış          10      0.5151   0.017485  0.68534  0.051474    1.0415      0.072226
yüzey (faz rastgele)   10      0.82857  0.009244  0.034954 0.039863    0.089084    0.050039
Karıştırılmış/özgün Δh oranı 0,56: iki kaynak da katkı veriyor (ilişki ve dağılım).
Yüzey/özgün Δh oranı 0,03: doğrusal ilişkiler çoklu fraktallığı açıklamıyor; doğrusal olmayan ilişki ya da dağılım biçimi belirleyici.

Karıştırma h(2)'yi 0{,}758'den 0{,}515'e indirir (uzun erimli ilişki yok olur) ama \Delta h'nin yarısından fazlası (0{,}685) kalır: çoklu fraktallığın bir bölümü geniş dağılımdan gelir. Yüzey seride \Delta h neredeyse yok olur (0{,}035); bu, çoklu fraktallığın doğrusal olmayan yapıdan geldiğini gösterir.

Rapor cümlesi (örnek ayar):

binom serisi (N = 8192) MFDFA-1 ile çözümlenmiştir (20 ölçek, s = 16–2048; q = −5…5; iki yönlü bölütleme). DFA Hurst üssü h(2)=0{,}758 (SH 0,0098) olup h(q) q ile 1,768'den 0,536'ya düşmüştür (\Delta h=1{,}232); tekillik spektrumu genişliği \Delta\alpha=1{,}622, asimetri A=-0{,}020'dir. Karıştırılmış serilerde \Delta h 0,685'e, faz rastgeleleştirilmiş serilerde 0,035'e inmiştir (10 tekrar); çoklu fraktallık hem zaman ilişkilerinden hem dağılımdan, ağırlıklı olarak doğrusal olmayan yapıdan gelmektedir.

109.8 Sık hatalar ve tuzaklar

  • Sabit ya da doğrusal bölgeli seri. Serinin bir bölümü sabitse o bölgenin profili doğrusaldır ve eğilim çıkarılınca artık varyansı gerçekte 0'dır; kayan noktada \sim10^{-30} kalır. Şablon bunu profilin ortalama karesine göre sıfıra yakın sayar ve "artık varyans sıfır ya da sıfıra çok yakın" iletisiyle durur (1024 gözlemli beyaz gürültüde 200 gözlemi 0 yapınca; mfdfa_sifir). Serideki sabit bölgeleri çözümlemeden önce temizleyin ya da bölgeyi içermeyen kesimi çözümleyin.
  • q ızgarası q_{\max}'a ulaşmayabilir. (q_{\max}-q_{\min})/\text{adım} tam sayı değilse son q q_{\max}'ın altındadır (adım 0,3, q\in[-5{,}5] için son nokta 4,9) ve özet satırlarındaki etiket son q'yu adlandırır ("h(q_max = 4,9)"); şablon ayrıca ızgaranın q_{\max}'a ulaşmadığını söyleyen bir not yazar. h(q) tablosundaki gerçek q değerlerine bakın.
  • Seri artış değil yürüyüş. Farksız yürüyüşte h(2)=1{,}49 çıkar ve şablon "h(2)>1; birinci farkı deneyin" notu yazar; fark açılınca h(2)=0{,}48 olur (mfdfa_yuruyus, mfdfa_yuruyus_fark).
  • Büyük |q| ve küçük ölçek. |q|>10 sonlu örneklerde kararsızdır; s<10–20 ölçeklerinde negatif q yanlıdır. Örnekte q\in[-20{,}20] için fgn07 \Delta h=0{,}136 çıkar; q\in[-5{,}5]'te 0{,}028'dir (spektrum genişliği q aralığına bağlıdır, karşılaştırmalar aynı aralıkla yapılmalıdır).
  • Polinom derecesi. m=2 örnekte h(2)'yi 0{,}758'den 0{,}733'e düşürür ve SH'yi 0{,}0098'den 0{,}0141'e çıkarır; yüksek m'de s_{\min} büyütülmelidir.
  • Kısa seri. N=100'de \hat h(2)=0{,}528, SH =0{,}166, R^2=0{,}56 çıkar (mfdfa_kisa); denetim 64 gözlemle yetinir ama sonuç gürültüdür. N=256'da SH 0{,}021'dir.
  • Uç \alpha değerleri. \alpha_{\min},\alpha_{\max} iki uçta tek yönlü farkla hesaplanır; binom örneğinde \Delta\alpha adım 1; 0,5; 0,25; 0,1 için 1{,}615; 1{,}622; 1{,}624; 1{,}626'dır (adıma duyarlılık \le0{,}011).
  • Karşılaştırma yorumu yol göstericidir. 0,3 ve 0,7 eşikleri kuramsal değil, Kantelhardt ve ark.'nın mantığını izleyen yol göstericidir. Yüzey serilerin h(2)'si özgünden belirgin farklı çıkabilir (0{,}829 ve 0{,}758); şablon yalnız \Delta h oranını yorumlar.
  • Tohum. Karşılaştırmanın sonucu tohum değerine ve dile (R/Python) bağlıdır; tekrar sayısı küçükken (10) SS büyüktür.
  • Ondalık virgüllü metin sütunu. Forma girmez; Veri sekmesinde sütunu sayıya çevirin (Bölüm 1.2).

109.9 Uzman soruları

S1. Ölçülen h(q) neden kuramsal kaskaddan 0,03–0,08 küçük?

N=8192'lik bir kaskad örneğinde küçük ölçeklerde doğrusal eğilim çıkarmanın getirdiği yanlılık ve az sayıdaki büyük ölçek bölütü nedeniyle F_q(s) ölçeklenme yasasından sapar; Kantelhardt ve ark. (2002) bu sapmayı bildirir. Sapma negatif q'da 0,03–0,06, pozitif q'da 0,08 kadardır ve her q'da aynı yöndedir (ölçülen h küçüktür). Kuramsal \Delta h (1{,}8012-0{,}6139=1{,}1873) ile ölçülen (1{,}2322) 0,045 farklıdır.

S2. Neden iki yönlü bölütleme (2N_s) varsayılan?

Kantelhardt ve ark. (2002) tanımı budur: N, s'nin katı olmadığında sondaki kalan parça atılmaz. s N'yi bölüyorsa (s=16) iki yönlü bölütleme tek yönlüyle aynı bölütleri iki kez sayar ve sonuç değişmez; bölmüyorsa farklıdır. Örnekte h(2)=0{,}7578 (iki yönlü) ve 0{,}7497 (tek yönlü) çıkar. Tek yönlü seçenek R paketi MFDFA ile birebir karşılaştırma içindir (109.6.1).

S3. Neden q=0 için logaritmik ortalama?

F_q(s)'deki 1/q kuvveti q=0'da tanımsızdır; q\to0 limitinde F_0(s)=\exp\{\tfrac1{4N_s}\sum\ln F^2(\nu,s)\} olur (kodda exp(0.5 * mean(log(f2))), 177). h(0) örnekte 1{,}1406'dır ve \tau(0)=-1 (fraktal destek boyutu 1) bu limitle tutarlıdır.

S4. \alpha ve f(\alpha) neden doğrudan hesaplanıp Legendre dönüşümü kullanılıyor?

MFDFA doğrudan f(\alpha) vermez; h(q)'dan \tau=qh-1 ile \alpha=d\tau/dq ve f=q\alpha-\tau elde edilir (Kantelhardt ve ark., 2002). Sayısal türev q ızgarasının adımına ve h(q)'nun gürültüsüne duyarlıdır; uçlarda tek yönlü fark kullanıldığından \alpha_{\min} ve \alpha_{\max} en belirsiz noktalardır (109.8).

S5. MFDFA ile dalgacık tabanlı yöntemler (WTMM) ya da DFA-m farkı nedir?

Şablon yalnız polinom eğilim çıkaran MFDFA'yı uygular; m yükseldikçe daha karmaşık eğilimler giderilir ama küçük ölçeklerde F_q küçülür. Dalgacık tabanlı çoklu fraktal yöntemlerle (Oświęcimka ve ark., 2006) karşılaştırma, aynı seride h(q)'nun yöntem duyarlığını gösterir; bu şablonda yoktur (dalgacık kestirimi için Bölüm 97, 103).

S6. Karıştırma ve faz rastgeleleştirme sonuçları neden farklı yorumlanır?

Karıştırma zaman bağımlılığını yok eder ama dağılımı korur; geriye kalan \Delta h dağılımın kalın kuyruğundan gelir. Faz rastgeleleştirme doğrusal ilişkiyi (güç spektrumunu) korur ve dağılımı Gaussa yaklaştırır; geriye kalan \Delta h doğrusal ilişkinin ürünüdür, kalan sıfırsa çoklu fraktallık doğrusal olmayan yapıdandır. Örnekte yüzey \Delta h=0{,}035, karıştırılmış 0{,}685: çoklu fraktallık ağırlıklı olarak dağılımla ve doğrusal olmayan ilişkiyle birlikte açıklanır.

S7. SH ve GA neden bu kadar küçük ve güvenilir mi?

Regresyon SH'si ölçekler arasındaki bağımlılığı yok sayar ve iyimserdir; ayrıca h(q) q'lar arasında aynı F_q verilerinden türetildiğinden h'ler birbirinden bağımsız değildir. GA yalnız betimleyicidir. Karşılaştırma açıkken tekrarlar arası SS (örn. \Delta h için 0{,}051) gerçek örnekleme değişkenliğine daha yakın bir ölçüdür.

109.10 Kaynaklar

  • Drożdż, S., & Oświęcimka, P. (2015). Detecting and interpreting distortions in hierarchical organization of complex time series. Physical Review E, 91(3), 030902. https://doi.org/10.1103/PhysRevE.91.030902
  • Halsey, T. C., Jensen, M. H., Kadanoff, L. P., Procaccia, I., & Shraiman, B. I. (1986). Fractal measures and their singularities: The characterization of strange sets. Physical Review A, 33(2), 1141–1151. https://doi.org/10.1103/PhysRevA.33.1141
  • Harris, C. R., Millman, K. J., van der Walt, S. J., et al. (2020). Array programming with NumPy. Nature, 585(7825), 357–362. https://doi.org/10.1038/s41586-020-2649-2
  • Kantelhardt, J. W., Zschiegner, S. A., Koscielny-Bunde, E., Havlin, S., Bunde, A., & Stanley, H. E. (2002). Multifractal detrended fluctuation analysis of nonstationary time series. Physica A, 316(1–4), 87–114. https://doi.org/10.1016/S0378-4371(02)01383-3
  • Laib, M., Telesca, L., & Kanevski, M. (2018). MFDFA: MultiFractal Detrended Fluctuation Analysis (R paketi). https://doi.org/10.32614/CRAN.package.MFDFA
  • Oświęcimka, P., Kwapień, J., & Drożdż, S. (2006). Wavelet versus detrended fluctuation analysis of multifractal structures. Physical Review E, 74(1), 016103. https://doi.org/10.1103/PhysRevE.74.016103
  • Peng, C.-K., Buldyrev, S. V., Havlin, S., Simons, M., Stanley, H. E., & Goldberger, A. L. (1994). Mosaic organization of DNA nucleotides. Physical Review E, 49(2), 1685–1689. https://doi.org/10.1103/PhysRevE.49.1685
  • R Core Team (2026). R: A language and environment for statistical computing. R Foundation for Statistical Computing. https://www.R-project.org/
  • Theiler, J., Eubank, S., Longtin, A., Galdrikian, B., & Farmer, J. D. (1992). Testing for nonlinearity in time series: The method of surrogate data. Physica D, 58(1–4), 77–94. https://doi.org/10.1016/0167-2789(92)90102-S
  • Virtanen, P., Gommers, R., Oliphant, T. E., et al. (2020). SciPy 1.0: Fundamental algorithms for scientific computing in Python. Nature Methods, 17(3), 261–272. https://doi.org/10.1038/s41592-019-0686-2