Block Averaging

如果我们取 t 时刻的数据点，在 t 之后的一段时间，我们可以放心地假设我们的数据是不相关的。想象一下，如果你走在街上，被一条裂缝绊倒了：走了几步之后，你的脚步声就会非常不规则——它们会比平时更长，而且间距也非常不均匀。在走了两到五步之后，当你恢复过来的时候，你现在的脚步和你绊倒时走的步子之间的相关性几乎是不明显的。沿着这条路走一个街区，你可能看不出有什么不同。我们在这里用了同样的方法。让我们把数据分成几个块(或者block !)，看看每个块的平均值之间的趋势：
如果这些块足够大，它们之间应该是不相关的。这意味着我们可以将每个块视为单个数据点，并从中计算平均值和标准差。blocks的大小如何选？，这个问题很重要。太小的话，仍然会有自相关。太大，误差条就会变成无穷大。理想情况下，我们希望找到给出不相关数据的最小的块。在数据不相关之后，增加块大小应该会一次又一次地给我们相同的标准差(假设样本是正态分布)。因此，我们正在寻找标准偏差随着块大小的增加而“趋于平稳”的点。
上图乍一看，数据似乎在0.25或0.3处趋于平稳。这有点棘手，因为样本只有100个数据点。我阅读了很多文献，想看看是否有一种确定的方法来选择理想的块大小。我什么都没找到。我决定将数据拟合到函数y = a * arctan(b*x)因为这看起来最接近我们想要预测的形状。在这一点上，我计算了渐近线的值(即所有内容趋于“平稳”的地方)，并将其用于我的标准偏差值：
还可以。这也是一个不错的近似值：我生成了1000组自相关数据，并要求我的程序以95%的置信区间找到平均值(和误差条)。这意味着如果一切都按照计划进行，其中950组将包含计算范围内的实际平均值。我得到了672。虽然不是我们要找的950。

块平均采用一种结构化的方法来消除依赖于时间的相关性。它将所有相关数据阻塞在一起，以便将其删除。