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
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:
- 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)
- 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): 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\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):
binomserisi (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;
farkaçılınca 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
tohumdeğerine 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