MatematikaPracetakTeori4 menit baca

DUA LINTASAN ACAK YANG TAMPAK BERKAITAN

Pada 1926, Yule memperhatikan sesuatu yang meresahkan: deret waktu yang sepenuhnya independen dapat menunjukkan korelasi yang besar. Yule menyebutnya “korelasi omong kosong” (nonsense correlation). Eksperimen-eksperimen itu dengan jalan acak — barisan yang dibangun dengan menjumlahkan langkah-langkah acak satu demi satu — menunjukkan korelasi yang jauh lebih tersebar daripada yang akan diisyaratkan oleh sampel-sampel independen. Penelitian selanjutnya membuktikan bahwa korelasi semu ini tidak hilang ketika deretnya makin panjang.

Liping Zhu dan Zhongming Xie, di Institute of Statistics and Big Data, Renmin University of China, bertanya apakah masalah itu bertahan menghadapi alat yang lebih modern.

Ukuran yang seharusnya tidak bisa dikelabui

Korelasi biasa (Pearson) hanya mendeteksi hubungan garis lurus. Korelasi jarak (distance correlation), yang dijelaskan oleh Székely dan rekan-rekan pada 2007, lebih ambisius: untuk dua variabel acak, nilainya nol jika dan hanya jika keduanya independen, apa pun bentuk kaitannya. Nilainya selalu berada di antara 0 dan 1.

Namun jaminan itu mengasumsikan bahwa datanya berupa pengambilan yang independen. Sepasang jalan acak berbeda. Setiap langkah memengaruhi setiap nilai jalan acak itu sesudahnya, sehingga pengamatan-pengamatan yang berurutan berbagi masa lalu yang sama, dan sebarannya terus berubah dari waktu ke waktu. Simulasi sudah menunjukkan korelasi jarak yang besar antara jalan-jalan acak yang independen, yang oleh para penulis terdahulu dikaitkan dengan ketergantungan serial (serial dependence) dan sebaran yang berubah-ubah dari jalan acak itu; yang belum ada adalah teori tentang limitnya.

Sebuah limit yang tegas di antara 0 dan 1

Para penulis membuktikan bahwa, ketika jalan acak makin panjang, korelasi jarak tidak menyusut menjadi nol. Untuk jalan acak apa pun dengan langkah-langkah yang independen dan berdistribusi identik dengan varians hingga, korelasi itu konvergen ke sebuah nilai acak yang ditentukan oleh dua lintasan Brown, limit kontinu dari jalan acak. Limit itu universal — tidak bergantung pada bagaimana langkah-langkahnya terdistribusi — dan berada tegas di antara 0 dan 1, dengan nilai yang tersebar di seluruh rentang itu. Jadi, peluang melihat korelasi di atas ambang berapa pun yang Anda pilih, misalnya 0,3, tidak pernah lenyap.

Kuncinya adalah melihat berapa lama pasangan lintasan itu berada di setiap wilayah, dengan sampel yang diambil pada saat yang sama. Dua proses dapat independen di antara berbagai realisasi, sementara satu pasangan yang terealisasi, bila diikuti sepanjang waktu, tetap menunjukkan pola keterkaitan.

Simulasi: tertahan di 0,5

Tim itu menyimulasikan 2.000 pasangan jalan acak independen dengan langkah Gaussian untuk setiap panjang dari 50 hingga 5.000 langkah. Untuk langkah-langkahnya sendiri, korelasi jarak memudar seperti yang diharapkan: dari 0,244 pada 50 menjadi 0,025 pada 5.000. Untuk jalan acak yang dibangun dari langkah-langkah yang sama persis itu, nilainya tetap sekitar 0,5 pada setiap panjang.

Pada 5.000 langkah, 90% pasangan jalan acak yang berada di tengah tersebar dari 0,215 hingga 0,844, dan 1.644 dari 2.000 pasangan — 82% — melampaui 0,3. Para penulis menekankan bahwa nilai di dekat 0,5 itu adalah temuan empiris, bukan konstanta yang terbukti.

Dua panel: di kiri, rata-rata korelasi jarak tetap di dekat 0,5 untuk jalan acak sementara untuk langkah-langkahnya nilai itu turun menuju nol; di kanan, kurva distribusi untuk tiga panjang jalan acak nyaris bertumpuk.

(a) Rata-rata korelasi jarak untuk jalan acak (garis utuh) dan untuk langkah-langkah independennya (putus-putus), dengan pita 5–95%, terhadap jumlah pengamatan. (b) Distribusi korelasi jalan acak untuk 100, 1.000, dan 5.000 langkah; titik yang ditandai menunjukkan bahwa 17,8% di antaranya tidak melampaui 0,3 pada 5.000 langkah. — Gambar 1, Zhu & Xie (2026), arXiv:2611.16614.

Uji yang selalu membunyikan alarm palsu

Cara baku untuk menguji independensi dengan korelasi jarak adalah mengocok: mengacak urutan waktu salah satu deret berkali-kali dan melihat apakah nilai sebenarnya menonjol. Para penulis membuktikan bahwa untuk jalan acak, uji ini menolak independensi dengan probabilitas yang menuju 1, berapa pun tingkat kesalahan yang dipilih.

Simulasinya sejalan. Pada tingkat 5% yang lazim, uji pengocokan keliru menyatakan adanya kaitan pada 94% pasangan jalan acak independen sepanjang 100 langkah, dan pada semua 300 pasangan sepanjang 500 langkah maupun sepanjang 2.000 langkah. Untuk langkah-langkah independen itu sendiri, uji itu keliru sekitar 5% dari waktu, sebagaimana mestinya. Pengocokan menghancurkan urutan waktu yang dibawa oleh jalan acak, sehingga uji itu membangun acuan yang tidak menggambarkan jalan acak yang independen.

Level atau langkah?

Studi ini juga menghitung rata-rata eksak untuk kovarians jarak kuadrat pada limitnya, 26/(75π) − 1/12, sekitar 0,0270, yang direproduksi oleh simulasi hingga dalam sekitar satu galat baku.

Para penulis menarik pelajaran dengan hati-hati. Menanyakan apakah dua proses saling bergantung tidak sama dengan menanyakan apakah satu pasangan lintasan yang teramati berkaitan sepanjang waktu. Mengambil selisih antara nilai-nilai yang berurutan mengembalikan langkah-langkah yang independen, tetapi uji itu kemudian menyangkut langkah-langkahnya, bukan level-levelnya — pertanyaan yang berbeda. Uji yang sahih untuk data yang bergeser dan tidak stasioner harus memasukkan ketergantungan data itu sepanjang waktu ke dalam acuannya, dan membangun uji semacam itu adalah persoalan tersendiri yang tidak diselesaikan oleh makalah ini.