优化一种用于行为科学中估计赫斯特指数的贝叶斯方法
摘要：贝叶斯Hurst-Kolmogorov (HK)方法比传统的去趋势波动分析(DFA)更准确地估计时间序列的Hurst指数，特别是在时间序列较短时。然而，这一优势是以计算时间为代价的。计算时间随着N的增加呈指数增长，对于N = 1024，易超过数小时，限制了HK方法在实时范式中的实用性，如生物反馈和脑机接口。为了解决这个问题，我们提供了关于合成时间序列的H估计精度的数据，作为先验已知值H、时间序列长度和后验分布的模拟样本大小的函数——这是贝叶斯估计方法中关键的一步。即使后验分布的模拟样本大小小到n = 25，也足以对长度为256的时间序列进行合理准确的H估计。使用更大的后验分布模拟样本，如n > 50，仅在准确性方面提供微小的收益，这可能不值得与计算效率进行权衡。我们建议在可用的计算资源上平衡后验分布中的模拟样本大小，倾向于最小的n = 50，并根据时间和资源限制选择更大的样本大小。
作者：Madhur Mangalam, Taylor Wilson, Joel Sommerfeld, Aaron D Likens
论文ID：2301.12064
分类：Quantitative Methods
分类简称：q-bio.QM
提交时间：2023-01-31