动态条件相关分析（DCC）

动态条件相关 (DCC) 方法是一种基于模型的多元波动率方法的示例，该方法在金融领域很流行，并且最近被引入神经成像领域。该方法提供了一种估计时间序列之间条件相关性的方法。

时间变相关性通常用多元广义自回归条件异方差 (GARCH) 模型来估计，该模型就数据的平方和叉积而言是线性的。已经提出了一类称为动态条件相关模型的新型多元模型。它们具有单变量 GARCH 模型与简约参数模型相结合的灵活性，可用于相关性分析。它们是非线性的，但可以通过单变量或两步方法非常简单地估计，通常基于概率函数。事实证明，它们在各种情况下都表现良好，并提供合理的经验结果。

动态双变量相关性，或简称为动态相关性，是一对随时间变化的时间序列之间的相关性。评估动态相关性在神经科学的许多领域都很重要。动态相关性估计在神经成像中很重要，因为许多研究已经发现在功能性磁共振成像测试期间，特别是在静息状态下，功能连接的动态变化。估计动态相关性在神经生理学中也是很有趣的。例如，从不同大脑区域获得的局部场电位时间序列之间的动态相关性可用于探索特定大脑区域在某些特定行为过程中如何协同工作。在识别此类变化时，重要的是确保观察到的相关性的动态变化不是由于所使用的估计方法固有的虚假波动造成的。

目前神经科学文献中可用于动态相关性估计的两种方法是滑动窗口方法和动态条件相关性：

• 广泛使用的动态相关性估计方法是滑动窗口方法。虽然易于理解和实施，但该方法的主要局限性在于窗口大小的选择的不确定性。
• 另一种成熟的动态相关性估计方法是动态条件相关性（DCC），它是在计量经济学领域发展起来的，并在金融文献中得到广泛应用。

虽然动态条件相关与滑动窗口方法相比具有许多理想的性质，但它也有一定的局限性。

神经科学文献中出现的时间序列测量偶尔会有一些异常值，如局部场电位时间序列数据中所见。只有当这些值是与底层科学框架不兼容的异常时，才可以忽略它们。可以看出，在存在极值的情况下，动态条件相关方法的性能并不稳健。该方法的另一个局限性涉及使用数值算法的实际实现。

如今，除了滑动窗口法和动态条件相关性方法之外，还有第三种估计动态相关性的方法，即基于加权图算法。

本质上，相关性分析是一种统计方法，它定义变量之间的关系，并提供有关这种关系的方向和程度的信息。相关系数是表示因变量与自变量之间关系强度的数值。该值提供有关变量的方向以及相互作用如何发生的信息。

我们的组织拥有一支强大的员工队伍，密切关注世界科技领域的发展并不断提高自己。在为各行各业的企业提供的众多测试、测量、分析和评估研究中，还有动态条件相关性分析（DCC）服务。