Dynamisk villkorlig korrelationsanalys (DCC)

Den dynamiska villkorliga korrelationsmetoden (DCC) är ett exempel på en modellbaserad multivariat volatilitetsmetod som är populär inom finans och nyligen har introducerats inom neuroavbildning. Denna metod ger ett sätt att uppskatta villkorliga korrelationer mellan tidsserier.

Tidsvarierande korrelationer uppskattas vanligtvis med multivariata generaliserade autoregressiva villkorliga heteroskedasticitetsmodeller (GARCH) som är linjära i termer av kvadrater och korsprodukter av data. En ny klass av multivariata modeller som kallas dynamiska villkorade korrelationsmodeller har föreslagits. Dessa har flexibiliteten hos univariata GARCH-modeller i kombination med parsimoniska parametriska modeller för korrelationer. De är ickelinjära men kan uppskattas mycket enkelt med univariata eller tvåstegsmetoder, vanligtvis baserade på sannolikhetsfunktioner. De har visat sig fungera bra i en mängd olika situationer och ge rimliga empiriska resultat.

Dynamisk bivariat korrelation, eller helt enkelt dynamisk korrelation, är korrelationen mellan ett par tidsserier som varierar över tid. Att bedöma dynamisk korrelation är viktigt inom många områden inom neurovetenskap. Dynamisk korrelationsuppskattning är av intresse inom neuroavbildning eftersom många studier har identifierat dynamiska förändringar i funktionell konnektivitet under funktionell magnetisk resonanstomografi (MRT), särskilt i vila. Att uppskatta dynamisk korrelation är också av intresse inom neurofysiologi. Till exempel kan dynamisk korrelation mellan lokala fältpotentialtidsserier erhållna från olika hjärnregioner användas för att undersöka hur specifika hjärnregioner samverkar under vissa specifika beteenden. Vid identifiering av sådana förändringar är det viktigt att säkerställa att dynamiska förändringar i observerade korrelationer inte beror på falska fluktuationer som är inneboende i den använda uppskattningsmetoden.

De två metoder som för närvarande finns tillgängliga för dynamisk korrelationsestimering inom neurovetenskaplig litteratur är glidande fönstermetoden och dynamisk villkorlig korrelation:

• En vanligt förekommande metod för dynamisk korrelationsestimering är glidande fönstermetoden. Även om den är lätt att förstå och implementera, är den största begränsningen med denna metod osäkerheten kring valet av fönsterstorlek.
• En annan väletablerad metod för dynamisk korrelationsestimering är dynamisk villkorad korrelation (DCC), som utvecklades inom ekonometri och används flitigt inom finanslitteraturen.

Även om dynamisk villkorlig korrelation har många önskvärda egenskaper jämfört med glidande fönstermetoden, har den vissa begränsningar.

Tidsseriemätningar som förekommer i neurovetenskaplig litteratur har ibland några extremvärden, vilket ses i lokala fältpotentialtidsseriedata. Sådana värden kan endast ignoreras om de är en anomali som inte är förenlig med det underliggande vetenskapliga ramverket. Det framgår att prestandan för den dynamiska villkorliga korrelationsmetoden inte är robust i närvaro av extrema värden. En annan begränsning med denna metod gäller dess praktiska implementering med hjälp av numeriska algoritmer.

Idag finns det, förutom glidande fönstermetoden och den dynamiska villkorliga korrelationsmetoden, en tredje metod för att uppskatta dynamisk korrelation, som är baserad på den viktade grafalgoritmen.

I huvudsak är korrelationsanalys en statistisk metod som definierar sambandet mellan variabler och ger information om riktningen och graden av detta samband. Korrelationskoefficienten är ett värde som visar styrkan i sambandet mellan den beroende variabeln och de oberoende variablerna. Detta värde ger information om variablerna riktning och hur interaktionerna sker.

Vår organisation har en stark personalstyrka som noggrant följer utvecklingen inom vetenskap och teknik runt om i världen och ständigt förbättrar sig. Bland de många test-, mät-, analys- och utvärderingsstudier som tillhandahålls för företag inom olika sektorer finns även dynamisk villkorlig korrelationsanalys (DCC).