تحلیل همبستگی شرطی پویا (DCC)

روش همبستگی شرطی پویا (DCC) نمونه‌ای از یک روش نوسان چند متغیره مبتنی بر مدل است که در امور مالی محبوب است و اخیراً در تصویربرداری عصبی نیز معرفی شده است. این روش، روشی برای تخمین همبستگی‌های شرطی بین سری‌های زمانی ارائه می‌دهد.

همبستگی‌های متغیر با زمان معمولاً با مدل‌های واریانس ناهمسانی شرطی خودرگرسیون تعمیم‌یافته (GARCH) چند متغیره تخمین زده می‌شوند که بر حسب مربعات و ضرب‌های متقاطع داده‌ها خطی هستند. دسته جدیدی از مدل‌های چند متغیره به نام مدل‌های همبستگی شرطی پویا ارائه شده است. اینها انعطاف‌پذیری مدل‌های GARCH تک متغیره را در ترکیب با مدل‌های پارامتری صرفه‌جو برای همبستگی‌ها دارند. آنها غیرخطی هستند اما می‌توانند به سادگی با روش‌های تک متغیره یا دو مرحله‌ای، معمولاً بر اساس توابع احتمال، تخمین زده شوند. نشان داده شده است که آنها در موقعیت‌های مختلف عملکرد خوبی دارند و نتایج تجربی معقولی ارائه می‌دهند.

همبستگی دو متغیره پویا یا به طور ساده همبستگی پویا، همبستگی بین یک جفت سری زمانی است که در طول زمان تغییر می‌کنند. ارزیابی همبستگی پویا در بسیاری از زمینه‌های علوم اعصاب اهمیت دارد. تخمین همبستگی پویا در تصویربرداری عصبی مورد توجه است زیرا بسیاری از مطالعات، تغییرات پویا در اتصال عملکردی را در طول آزمایش تصویربرداری تشدید مغناطیسی عملکردی، به ویژه در حالت استراحت، شناسایی کرده‌اند. تخمین همبستگی پویا در نوروفیزیولوژی نیز مورد توجه است. برای مثال، همبستگی پویا بین سری‌های زمانی پتانسیل میدان محلی به‌دست‌آمده از نواحی مختلف مغز می‌تواند برای بررسی چگونگی همکاری نواحی خاص مغز در طول رفتارهای خاص مورد استفاده قرار گیرد. هنگام شناسایی چنین تغییراتی، اطمینان از این که تغییرات پویا در همبستگی‌های مشاهده‌شده ناشی از نوسانات کاذب ذاتی روش تخمین مورد استفاده نباشد، مهم است.

دو رویکردی که در حال حاضر برای تخمین همبستگی پویا در ادبیات علوم اعصاب موجود است، روش پنجره کشویی و همبستگی شرطی پویا هستند:

• یک روش پرکاربرد برای تخمین همبستگی پویا، روش پنجره لغزان است. اگرچه درک و پیاده‌سازی این روش آسان است، اما محدودیت اصلی آن عدم قطعیت در انتخاب اندازه پنجره است.
• یکی دیگر از روش‌های شناخته‌شده برای تخمین همبستگی پویا، همبستگی شرطی پویا (DCC) است که در حوزه اقتصادسنجی توسعه یافته و به طور گسترده در ادبیات مالی مورد استفاده قرار می‌گیرد.

اگرچه همبستگی شرطی پویا در مقایسه با روش پنجره لغزان، ویژگی‌های مطلوب بسیاری دارد، اما محدودیت‌های خاصی نیز دارد.

اندازه‌گیری‌های سری زمانی که در ادبیات علوم اعصاب ظاهر می‌شوند، گاهی اوقات دارای چند داده پرت هستند، همانطور که در داده‌های سری زمانی پتانسیل میدان محلی مشاهده می‌شود. چنین مقادیری را تنها در صورتی می‌توان نادیده گرفت که ناهنجاری باشند و با چارچوب علمی زیربنایی سازگار نباشند. مشاهده می‌شود که عملکرد روش همبستگی شرطی پویا در حضور مقادیر حدی، قوی نیست. محدودیت دیگر این روش مربوط به پیاده‌سازی عملی آن با استفاده از الگوریتم‌های عددی است.

امروزه، علاوه بر روش پنجره لغزان و روش همبستگی شرطی پویا، روش سومی برای تخمین همبستگی پویا وجود دارد که مبتنی بر الگوریتم گراف وزن‌دار است.

اساساً، تحلیل همبستگی یک روش آماری است که رابطه بین متغیرها را تعریف می‌کند و اطلاعاتی در مورد جهت و درجه این رابطه ارائه می‌دهد. ضریب همبستگی، مقداری است که شدت رابطه بین متغیر وابسته و متغیرهای مستقل را نشان می‌دهد. این مقدار اطلاعاتی در مورد جهت متغیرها و نحوه وقوع تعاملات ارائه می‌دهد.

سازمان ما دارای کارکنان قوی است که از نزدیک تحولات حوزه علم و فناوری در جهان را دنبال می‌کنند و دائماً خود را بهبود می‌بخشند. در میان مطالعات متعدد آزمایش، اندازه‌گیری، تحلیل و ارزیابی ارائه شده برای کسب‌وکارها در بخش‌های مختلف، خدمات تحلیل همبستگی شرطی پویا (DCC) نیز وجود دارد.