Analisis Korelasi Kondisional Dinamis (DCC)

Metode korelasi kondisional dinamis (DCC) adalah contoh metode volatilitas multivariat berbasis model yang populer di bidang keuangan dan baru-baru ini diperkenalkan dalam neuroimaging. Metode ini menyediakan cara untuk memperkirakan korelasi bersyarat antara deret waktu.

Korelasi yang bervariasi terhadap waktu biasanya diperkirakan dengan model heteroskedastisitas kondisional autoregresif umum multivariat (GARCH) yang linier dalam hal kuadrat dan produk silang data. Kelas baru model multivariat yang disebut model korelasi kondisional dinamis telah diusulkan. Model ini memiliki fleksibilitas model GARCH univariat yang dikombinasikan dengan model parametrik parsimonius untuk korelasi. Mereka bersifat nonlinier tetapi dapat diperkirakan secara sederhana dengan metode univariat atau dua langkah, biasanya berdasarkan fungsi probabilitas. Mereka telah terbukti berkinerja baik dalam berbagai situasi dan memberikan hasil empiris yang masuk akal.

Korelasi bivariat dinamis, atau korelasi dinamis saja, adalah korelasi antara sepasang deret waktu yang bervariasi seiring berjalannya waktu. Penilaian korelasi dinamis penting dalam banyak bidang ilmu saraf. Estimasi korelasi dinamis menarik dalam pencitraan saraf karena banyak penelitian telah mengidentifikasi perubahan dinamis dalam konektivitas fungsional selama pengujian pencitraan resonansi magnetik fungsional, terutama saat istirahat. Memperkirakan korelasi dinamis juga menarik dalam neurofisiologi. Misalnya, korelasi dinamis antara rangkaian waktu potensial medan lokal yang diperoleh dari berbagai wilayah otak dapat digunakan untuk mengeksplorasi bagaimana wilayah otak tertentu bekerja sama selama perilaku tertentu. Saat mengidentifikasi perubahan semacam itu, penting untuk memastikan bahwa pergeseran dinamis dalam korelasi yang diamati bukan disebabkan oleh fluktuasi palsu yang melekat pada metode estimasi yang digunakan.

Dua pendekatan yang saat ini tersedia untuk estimasi korelasi dinamis dalam literatur ilmu saraf adalah metode jendela geser dan korelasi kondisional dinamis:

• Metode yang banyak digunakan untuk estimasi korelasi dinamis adalah metode jendela geser. Meskipun mudah dipahami dan diterapkan, keterbatasan utama metode ini adalah ketidakpastian mengenai pemilihan ukuran jendela.
• Metode lain yang mapan untuk estimasi korelasi dinamis adalah korelasi kondisional dinamis (DCC), yang dikembangkan di bidang ekonometrika dan digunakan secara luas dalam literatur keuangan.

Walaupun korelasi kondisional dinamis memiliki banyak sifat yang diinginkan dibandingkan dengan metode jendela geser, ia memiliki keterbatasan tertentu.

Pengukuran deret waktu yang muncul dalam literatur ilmu saraf kadang-kadang memiliki beberapa outlier, seperti yang terlihat dalam data deret waktu potensial medan lokal. Nilai-nilai seperti itu hanya dapat diabaikan jika itu merupakan anomali yang tidak sesuai dengan kerangka ilmiah yang mendasarinya. Terlihat bahwa kinerja metode korelasi kondisional dinamis tidak kuat terhadap keberadaan nilai ekstrem. Keterbatasan lain dari metode ini menyangkut penerapan praktisnya menggunakan algoritma numerik.

Saat ini, selain metode jendela geser dan metode korelasi kondisional dinamis, ada metode ketiga untuk memperkirakan korelasi dinamis, yang didasarkan pada algoritma grafik tertimbang.

Pada dasarnya, analisis korelasi adalah metode statistik yang mendefinisikan hubungan antara variabel dan memberikan informasi tentang arah dan derajat hubungan ini. Koefisien korelasi adalah nilai yang menunjukkan kekuatan hubungan antara variabel dependen dan variabel independen. Nilai ini memberikan informasi tentang arah variabel dan bagaimana interaksi terjadi.

Organisasi kami memiliki staf yang kuat yang mengikuti dengan cermat perkembangan bidang sains dan teknologi di dunia dan terus-menerus meningkatkan diri. Di antara berbagai studi pengujian, pengukuran, analisis, dan evaluasi yang disediakan untuk bisnis di berbagai sektor, ada juga layanan analisis korelasi kondisional dinamis (DCC).