Fractal and multifractal descriptors restore ergodicity broken by non-Gaussianity in time series
分形与多重分形描述量恢复时间序列中被非高斯性破坏的遍历性AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接讨论时间序列的长程相关、非高斯性与遍历性，时间序列依据明确，因果识别依据不足。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
分形与多重分形描述量恢复时间序列中被非高斯性破坏的遍历性
- 研究问题
- 长程相关与非高斯性如何影响时间序列及其变异描述量的遍历性，分形和多重分形描述量能否提供更稳定的表征？
- 方法与思路
- 作者考察非高斯性增强与长程相关共同作用下的遍历性破坏，并以编码级联动力学的分形和多重分形性质构造描述量。
- 材料陈述的贡献
- 摘要称，标准差也会因非高斯性与长程相关而出现遍历性破坏，而所考察过程的分形与多重分形描述量未呈现该现象。
- 阅读关注点
- 应核对遍历性破坏的操作定义、所研究过程与序列长度、描述量估计方法，以及描述量稳定性如何支持因果建模。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明证据与证明范围，描述量遍历性本身不能建立因果识别。
原文摘要
Ergodicity breaking is a challenge for biological and psychological sciences. Ergodicity is a necessary condition for linear causal modeling. Long-range correlations and non-Gaussianity characterizing various biological and psychological measurements break ergodicity routinely, threatening our capacity for causal modeling. Long-range correlations (e.g., in fractional Gaussian noise, a.k.a. "pink noise") break ergodicity--in raw Gaussian series, as well as in some but not all standard descriptors of variability, i.e., in coefficient of variation (CV) and root mean square (RMS) but not standard deviation (SD) for longer series. The present work demonstrates that progressive increases in non-Gaussianity conspire with long-range correlations to break ergodicity in SD for all series lengths. Meanwhile, explicitly encoding the cascade dynamics that can generate temporally correlated non-Gaussian noise offers a way to restore ergodicity to our causal models. Specifically, fractal and multifractal properties encode both scale-invariant power-law correlations and their variety, respectively, both of which features index the underlying cascade parameters. Fractal and multifractal descriptors of long-range correlated non-Gaussian processes show no ergodicity breaking and hence, provide a more stable explanation for the long-range correlated non-Gaussian form of biological and psychological processes. Fractal and multifractal descriptors offer a path to restoring ergodicity to causal modeling in these fields.