4. 早期预警信号指标：自相关系数(AC1)、方差、偏度、条件异方差等统计量的定义

在复杂系统临界转换（Critical Transition）的早期预警研究中，统计指标扮演着“哨兵”角色。当系统趋近 tipping point 时，其动力学行为的波动模式会发生可量化的变化。本节定义并解释四个最核心的早期预警信号统计量：自相关系数（AC1）、方差（Variance）、偏度（Skewness）以及条件异方差（Conditional Heteroskedasticity）。这些指标是后续 Monte Carlo 参数校准的观测目标。

4.1 自相关系数（AC1）

自相关系数衡量时间序列与其自身滞后一个时间步的版本之间的线性相关性。在临界转换理论中，当系统接近分岔点时，扰动恢复速率变慢，导致相邻观测值之间的相关性增强，即 AC1 趋近于 +1。

定义公式（滞后 1 阶）：

ρ₁ = Cov(X_t, X_{t-1}) / Var(X_t)

样本估计（AC1）：
r₁ = Σ_{t=2}^{T} (x_t - x̄)(x_{t-1} - x̄) / Σ_{t=1}^{T} (x_t - x̄)²

关键特性：

• 范围： [-1, 1]。正值表示正相关，负值表示负相关。
• 预警机制： 系统恢复力下降 → 扰动持续时间延长 → 相邻状态更相似 → AC1 上升。
• 敏感性： 对趋势和季节性敏感，通常需要先进行去趋势处理。

4.2 方差（Variance）

方差度量时间序列围绕其均值的离散程度。在临界转换前，系统对微小扰动的响应幅度增大，导致波动加剧，方差显著增加。这是最直观的早期预警指标之一。

定义公式：

总体方差：σ² = E[(X - μ)²]
样本方差：s² = (1/(T-1)) Σ_{t=1}^{T} (x_t - x̄)²

关键特性：

• 非负性： 方差始终 ≥ 0。
• 预警机制： 系统势阱变浅 → 随机扰动更容易将状态推离平衡点 → 波动幅度增大。
• 局限性： 方差对异常值极为敏感，且可能因系统内在的非平稳性（如趋势）而膨胀。

4.3 偏度（Skewness）

偏度描述时间序列分布的不对称性。在临界转换中，系统可能表现出非对称的波动：例如，在趋近于 saddle-node 分岔时，系统在势阱一侧的停留时间变短，导致分布出现拖尾，偏度值增大。

定义公式：

偏度：γ₁ = E[( (X - μ)/σ )³]

样本偏度：
g₁ = (1/T) Σ_{t=1}^{T} (x_t - x̄)³ / ( (1/T) Σ_{t=1}^{T} (x_t - x̄)² )^(3/2)

关键特性：

• 范围： 无界。正偏度表示右尾长，负偏度表示左尾长。
• 预警机制： 系统势阱形状不对称 → 扰动后恢复路径不对称 → 分布偏斜。
• 使用场景： 特别适用于检测由噪声诱导的逃逸（noise-induced escape）现象。

4.4 条件异方差（Conditional Heteroskedasticity）

条件异方差描述时间序列的波动率（方差）随时间变化且具有聚类性。在金融时间序列中，ARCH/GARCH 模型是标准工具；在生态和气候系统中，波动率的突然增大也预示着系统不稳定。早期预警中常使用残差的平方序列或 GARCH(1,1) 模型估计的条件方差。

定义（ARCH(1) 模型）：

ε_t = σ_t · z_t,  z_t ~ N(0,1)
σ_t² = α₀ + α₁ · ε_{t-1}²

其中 σ_t² 是条件方差，α₁ 衡量波动率对过去冲击的敏感度。

关键特性：

• 时变性： 条件方差不是常数，而是依赖于过去的信息。
• 预警机制： 系统接近临界点时，微小冲击可能引发大幅波动，导致条件方差序列出现持续高值聚类。
• 计算： 通常先拟合 AR 模型去除线性结构，再对残差进行 ARCH 效应检验。

4.5 指标综合对比

4.6 指标计算流程与 Monte Carlo 校准接口

在后续章节中，我们将使用 Monte Carlo 模拟生成大量 synthetic time series，并计算上述四个统计量。下图展示了从原始时间序列到预警信号指标的完整计算流程，以及这些指标如何作为目标函数输入到参数校准框架中。

4.7 滑动窗口计算与注意事项

在实际应用中，上述指标通常通过滑动窗口计算，以观察其随时间的变化趋势。窗口大小的选择直接影响预警信号的灵敏度和误报率。