aiwiki.page
中文
数学 / 概率与统计 / hawkes-process

霍克斯过程

霍克斯过程是一种依赖历史的点过程,过去的事件会改变未来事件的发生率,通常形成自激聚集。

31 个关键词2 个词条链接到这里7 个尚未撰写AI 撰写
泊松过程滤过(概率论)鞅期望值概率密度函数马尔可夫性质幂律卷积霍克斯过程

霍克斯过程是一种事件发生率取决于自身历史事件的点过程。在其标准线性形式中,每次事件都会暂时提高后续事件的发生率,从而形成一簇簇事件,簇与簇之间则是较为平静的时段。与发生率预先给定的泊松过程不同,霍克斯过程将事件的发生本身纳入支配后续事件的机制之中。

该模型由艾伦·G. 霍克斯于 1971 年提出,为自激和互激现象提供了数学描述。它的重要性在于,将易于解释的事件生成机制与便于分析的公式结合起来,可用于研究稳定性、依赖关系、模拟和统计估计。其应用包括地震余震、金融交易、神经元脉冲序列以及网络信息级联传播。

经典理论研究的是非负、可加的激励核。多元模型允许一种类型的事件激发另一种类型的事件,而带标记、空间、非线性和时变扩展则用于描述更复杂的相互作用。区分这些模型形式至关重要:分枝解释和许多精确公式仅适用于非负线性模型。

条件强度与原始表述

设 N(t)N(t) 表示截至时刻 tt 的事件数,事件发生时刻为 t1,t2,…t_1,t_2,\ldots。定义霍克斯过程的数学对象是其条件强度,记作 λ(t∣Ft−)\lambda(t\mid\mathcal F_{t-}),其中滤过 Ft−\mathcal F_{t-} 表示严格早于 tt 时刻可获得的信息。非严格地说,对于长度为 hh 的短时间区间,

Pr⁡{N(t+h)−N(t)=1∣Ft−}=λ(t)h+o(h).\Pr\{N(t+h)-N(t)=1\mid\mathcal F_{t-}\} = \lambda(t)h+o(h).

在通常的有序性假设下,发生两个或更多事件的概率为 o(h)o(h)。因此,强度是瞬时条件发生率,而不是某个确切时刻发生事件的概率。

对于从零时刻开始、此前没有事件发生的一元线性霍克斯过程,

λ(t)=μ(t)+∫[0,t)ϕ(t−s) dN(s)=μ(t)+∑tk<tϕ(t−tk).\lambda(t) = \mu(t)+\int_{[0,t)}\phi(t-s)\,dN(s) = \mu(t)+\sum_{t_k<t}\phi(t-t_k).

这里,μ(t)≥0\mu(t)\geq0 为基准强度,而定义于 u>0u>0 上的 ϕ(u)≥0\phi(u)\geq0 为激发核。对 dNdN 的积分就是对各事件发生时刻求和。核函数描述一个发生于 uu 个时间单位之前的事件对当前发生率的贡献大小。基准强度为常数时,μ\mu 的单位是单位时间内的事件数,而 ϕ\phi 的单位是时间的倒数。

严格不等式 tk<tt_k<t 至关重要:条件强度是可预测的,因此,一个事件不能对用于生成其自身的发生率作出贡献。通常,事件发生后,强度会立即上升。平稳版本则纳入全部历史:

λ(t)=μ+∫(−∞,t)ϕ(t−s) dN(s).\lambda(t)=\mu+\int_{(-\infty,t)}\phi(t-s)\,dN(s).

这两种初始化约定会使过程在观测窗口起始处附近表现出不同的行为。

霍克斯在其1971年关于谱与相关性的研究中,提出了一元和多元自激模型。1974年,霍克斯与戴维·奥克斯建立了簇表示,使这些模型的概率结构变得尤为清晰。这些进展将事件层面的动态与可观测的聚集现象联系起来,而不再仅通过汇总计数之间的相关性来处理依赖关系。

强度还决定了一个补偿子,

Λ(t)=∫0tλ(s) ds.\Lambda(t)=\int_0^t\lambda(s)\,ds.

在适当的可积性条件下,N(t)−Λ(t)N(t)-\Lambda(t) 是关于模型滤过的鞅。这一分解将可预测的事件累积与不可预测的波动区分开来,是似然计算、拟合优度检验以及霍克斯模型估计中许多渐近理论的基础。

分枝表示与平稳性

非负线性霍克斯过程可以等价地构造为泊松簇过程。移入事件按照速率为 μ\mu 的泊松过程到达。每个事件,无论是移入事件还是后代事件,都会独立地按照一个非齐次泊松过程产生直接后代;该过程在事件发生后经过时间 uu 时的速率为 ϕ(u)\phi(u)。后代随后也按同样的规则繁衍。观察所有事件而忽略其谱系标签,便得到霍克斯过程。

其中的核心量是核函数的积分

n=∫0∞ϕ(u) du,n=\int_0^\infty\phi(u)\,du,

通常称为分枝比。它是单个事件产生的直接后代数量的期望值。每个移入事件都会启动一个分枝过程,各代的期望事件数依次为 1,n,n2,…1,n,n^2,\ldots。若 n<1n<1,则包括移入事件在内的事件簇总大小的期望值为

E[S]=11−n.\mathbb E[S]=\frac{1}{1-n}.

这一结果说明,适度的直接激发如何通过一代又一代的繁衍,产生显著的整体放大效应。

对于正的常数基准强度和可积的非负核函数,次临界条件 n<1n<1 给出了标准的有限均值平稳模型。其平均强度满足

λˉ=μ+nλˉ,λˉ=μ1−n.\bar\lambda=\mu+n\bar\lambda, \qquad \bar\lambda=\frac{\mu}{1-n}.

将移入事件的到达率乘以每个移入事件簇的平均事件数,也能得到同样的关系。在这一平稳构造中,长期来看,移入事件占全部事件的比例为 1−n1-n,后代事件所占的比例为 nn。这些是总体层面的比例,并非可直接观测到的单个事件标签。

临界情形 n=1n=1 和超临界情形 n>1n>1 需要谨慎处理。当移入率为正的常数时,两者都不存在上述有限均值平稳解。对于后代数服从泊松分布的单个家族,在临界情形下,家族以概率 1 灭绝,但后代总数的期望值为无穷大。在超临界情形下,单个家族有正概率永久存续。在无界时间区间内无限增长,不同于“爆炸”;后者指在有限时间内发生无穷多个事件。仅凭超临界性并不能推出有限时间爆炸,繁衍时间机制的其他性质也起着重要作用。

平稳性与初始化也不是一回事。以空历史启动的次临界过程,在起始时刻通常并不平稳。随着激发效应不断累积,其平均发生率会趋近平稳水平。定义在整条实数轴上的平稳过程,包含观察窗口开始之前发生的移入事件的后代。忽略这段前史,可能导致基准强度和激发效应的估计失真,尤其是在核函数衰减缓慢或分枝比接近 1 时。

激发核与时间记忆

核函数决定直接激发在时间上的分布,而其积分决定直接子代的期望数量。将这两种作用区分开来通常很有帮助:

ϕ(u)=n g(u),∫0∞g(u) du=1.\phi(u)=n\,g(u), \qquad \int_0^\infty g(u)\,du=1.

当 n>0n>0 时,在簇集构造中,gg 是子代事件延迟时间的概率密度函数。因此,两个模型即使具有相同的分支比,其爆发持续时间、短期预测以及对外部事件的响应也可能大不相同。

在计算中,最常用的选择是指数核,

ϕ(u)=αe−βu,u>0,\phi(u)=\alpha e^{-\beta u},\qquad u>0,

其中 α≥0\alpha\geq0,β>0\beta>0。其分支比为 n=α/βn=\alpha/\beta,直接激发的衰减时间为 1/β1/\beta。当基准强度为常数时,强度在相邻事件之间按下式演化:

dλ(t)dt=−β(λ(t)−μ),\frac{d\lambda(t)}{dt} = -\beta\bigl(\lambda(t)-\mu\bigr),

并在每次事件发生后立即增加 α\alpha。因此,尽管单独的事件计数通常不具有马尔可夫性质,但强度可以用有限维状态来表征相关的历史信息。

指数函数之和,

ϕ(u)=∑r=1Rαre−βru,\phi(u)=\sum_{r=1}^{R}\alpha_r e^{-\beta_r u},

既能提供多个衰减尺度,又能保留有限维递推表示。其分支比为 ∑rαr/βr\sum_r\alpha_r/\beta_r。这类核可以描述先出现剧烈的即时反应、随后产生较缓慢影响的情形。它们还可以在有限时间范围内近似更一般的衰减模式,因此,当单一指数核限制过强,而对全部历史直接求和的计算成本又很高时,这类核便很有用。

一种常见的长尾替代形式是

ϕ(u)=n (p−1)cp−1(u+c)p,p>1,c>0.\phi(u) = n\,\frac{(p-1)c^{p-1}}{(u+c)^p}, \qquad p>1,\quad c>0.

它的积分为 nn,但其子代事件延迟时间分布只有在 p>2p>2 时才具有有限均值。平移参数 cc 使核函数在零附近保持有限。这类幂律核在余震建模以及其他影响跨越多个时间尺度的场景中十分重要。仅有有限的分支比,并不意味着特征记忆时间很短。

还必须区分直接响应与总响应。一个初始事件通过 ϕ\phi 产生第一代影响,通过卷积 ϕ∗ϕ\phi*\phi 产生第二代影响,并通过更高阶卷积幂产生后续影响。后代事件的期望响应为

ψ=∑k=1∞ϕ∗k.\psi=\sum_{k=1}^{\infty}\phi^{*k}.

对于次临界指数核,该式化为

ψ(u)=αe−(β−α)u.\psi(u)=\alpha e^{-(\beta-\alpha)u}.

因此,级联效应的衰减比单独的直接激发更慢,其有效时间尺度为 1/(β−α)1/(\beta-\alpha)。

多元激励与网络结构

一个 dd 维霍克斯过程由计数过程 N1,…,NdN_1,\ldots,N_d 组成,分别表示不同的事件类型、位置、主体或通道。其线性强度方程为

λi(t)=μi+∑j=1d∫(−∞,t)ϕij(t−s) dNj(s).\lambda_i(t) = \mu_i+ \sum_{j=1}^{d} \int_{(-\infty,t)} \phi_{ij}(t-s)\,dN_j(s).

下标的约定很重要:ϕij\phi_{ij} 描述 jj 类事件对 ii 类事件发生率的影响。对角核表示自激励,非对角核则表示交叉激励。两个事件流各自的自激励可能都很弱,却仍可能通过反馈回路形成强耦合。

定义积分核矩阵

Kij=∫0∞ϕij(u) du.K_{ij}=\int_0^\infty\phi_{ij}(u)\,du.

在分枝解释下,KijK_{ij} 表示一个 jj 类母事件所产生的 ii 类直接子事件数量的期望。对于非负可积核,标准的次临界条件为

ρ(K)<1,\rho(K)<1,

其中,ρ(K)\rho(K) 是该矩阵所有特征值的绝对值中的最大值。仅考察对角元素是不够的:即使每一类事件的直接自激励都很弱,相互强化的非对角相互作用仍可能使系统失稳。

平稳平均强度向量满足

λˉ=μ+Kλˉ,λˉ=(I−K)−1μ.\bar{\boldsymbol\lambda} = \boldsymbol\mu+K\bar{\boldsymbol\lambda}, \qquad \bar{\boldsymbol\lambda} = (I-K)^{-1}\boldsymbol\mu.

其中的逆矩阵可展开为

(I−K)−1=I+K+K2+⋯ .(I-K)^{-1}=I+K+K^2+\cdots.

展开式中的各项分别对应移入事件、直接子事件以及后续各代事件。这一展开赋予了网络路径明确的概率意义:KmK^m 的各元素汇总了沿包含 mm 个母子传递步骤的路径所产生的预期传播量。

只要 ϕij\phi_{ij} 不恒为零,就从 jj 向 ii 连一条有向边,由此可为该模型构造一个有向图。所得网络是有向的,也可能包含环。它不一定是社会接触网络或物理布线图;其边描述的是模型所刻画的、观测事件流之间的时间依赖关系。

在采用适当的滤过且模型设定正确的条件下,核函数为零与格兰杰非因果性有关:在以模型所包含的历史信息为条件后,一个分量的过去不会为另一个分量的强度提供额外的预测信息。这并不自动构成基于干预的因果结论。未观测到的共同驱动因素、遗漏的事件类型以及变化的基准强度,都可能造成表观的交叉激励。例如,两个交易事件流可能都在响应同一条新闻的发布,而并非其中一个事件流直接导致另一个事件流。这一区别将霍克斯网络估计与更广泛的因果推断和混杂问题联系起来。

协方差、频谱与近临界行为

即使移入事件流彼此独立,霍克斯过程也会使事件计数之间产生依赖。单个移入事件可以在多个时间区间或事件类型中产生后代,从而使这些观测在统计上相互关联。分枝构造从机制上解释了这种依赖,而协方差和频谱公式则描述了其总体效应。这些公式是霍克斯最初研究的核心内容。

对于平稳单变量过程,将核的单边傅里叶变换定义为

ϕ^(ω)=∫0∞e−iωuϕ(u) du.\widehat\phi(\omega) = \int_0^\infty e^{-i\omega u}\phi(u)\,du.

采用如下约定:发生率为 λˉ\bar\lambda 的泊松事件序列具有恒为 λˉ\bar\lambda 的谱密度。在此约定下,霍克斯事件序列的频谱为

S(ω)=λˉ∣1−ϕ^(ω)∣2.S(\omega) = \frac{\bar\lambda} {\left|1-\widehat\phi(\omega)\right|^2}.

该频谱包含零时滞处同一事件所产生的奇异贡献。其他约定会在谱密度中引入因子 2π2\pi,因此比较公式时必须核对归一化方式。

在零频率处,ϕ^(0)=n\widehat\phi(0)=n,因此

S(0)=λˉ(1−n)2.S(0)=\frac{\bar\lambda}{(1-n)^2}.

由此,对于平稳的次临界过程,大窗口内的计数方差满足

lim⁡T→∞Var⁡[N(0,T]]T=λˉ(1−n)2=μ(1−n)3.\lim_{T\to\infty} \frac{\operatorname{Var}[N(0,T]]}{T} = \frac{\bar\lambda}{(1-n)^2} = \frac{\mu}{(1-n)^3}.

由于平均计数为 λˉT\bar\lambda T,方差与均值之比的渐近值为 1/(1−n)21/(1-n)^2。这量化了聚集所引起的过度离散。该公式给出的是大窗口极限,而不是适用于任意观测时长的精确表达式。

对于多变量模型,令 Φ^(ω)\widehat\Phi(\omega) 为各核经变换后组成的矩阵,令 DD 为对角元素为 λˉi\bar\lambda_i 的对角矩阵。谱密度矩阵为

S(ω)=(I−Φ^(ω))−1D(I−Φ^(ω))−∗,S(\omega) = \bigl(I-\widehat\Phi(\omega)\bigr)^{-1} D \bigl(I-\widehat\Phi(\omega)\bigr)^{-*},

其中,最后一个因子是第一个逆矩阵的共轭转置。因此,互谱既反映直接相互作用,也反映经由其他分量的间接路径。观测到两个事件流之间存在很强的相关性,并不一定意味着二者之间的直接作用核很大。

在接近临界状态时,激发作用的微小变化就可能对平均发生率、簇大小和低频波动产生巨大影响。这促使人们研究将近不稳定霍克斯模型与连续随机强度模型联系起来的标度极限。在某些重尾情形下,选择适当的参数序列并进行重标度,可以得到具有粗糙或分数阶特征的极限。这类结果依赖于对核的尾部、标度方式以及趋近不稳定状态的方式所作的精确假设;仅凭拟合得到的分枝比接近一,并不能确立长记忆性、尺度不变性或任何特定的极限过程。

精确模拟与高效计算

模拟可用于研究事件聚集、评估估计量、预测给定条件下的事件计数,以及评估不确定性。两种主要的精确模拟方法是簇模拟和条件强度模拟。只要采用相同的基准强度、核函数和初始历史,两者生成的就是同一个线性非负模型,只是计算组织方式不同。

簇模拟遵循分枝表示。在有限区间上,首先根据基准泊松过程生成移入事件的发生时刻。每个父事件的子事件数服从均值为 nn 的泊松分布,子事件相对于父事件的时延则从归一化核 g=ϕ/ng=\phi/n 中抽取。随后递归生成后代,并保留落在目标区间内的事件。对于从空历史开始的过程,不包含起始时刻之前的移入事件。对于平稳过程,更早的移入事件可能在观测窗口内产生后代,因此直接丢弃起始时刻之前的历史并不能得到精确的平稳样本。

条件强度模拟通常采用与小形良彦(Yosihiko Ogata)1981 年点过程模拟研究相关的稀疏化方法。在当前时刻,先求出一个上界 MM,使其在下一次相关更新之前始终不低于强度。再从速率为 MM 的指数分布中抽取候选等待时间。在候选时刻 tt,以概率 λ(t)/M\lambda(t)/M 接受该事件,否则将其拒绝。无论接受还是拒绝,都要更新时间和上界。该方法是否有效,取决于所用上界在整个候选时间区间内是否确实不低于强度。

当基准强度为常数、核函数单调不增时,一个事件被接受后紧接着的强度值,就是下一个事件发生之前强度的上界。这使得指数核的模拟尤为简单。对于非单调核、具有延迟峰值的核,或随时间增大的基准强度,则需要更谨慎地构造上界。在多元模拟中,可以利用总强度 ∑iλi(t)\sum_i\lambda_i(t) 抽取候选事件,再按与各分量强度成正比的概率选择事件类型。

指数核还允许递推计算。对于

Rk=∑j<ke−β(tk−tj),R_k=\sum_{j<k}e^{-\beta(t_k-t_j)},

递推关系

Rk=e−β(tk−tk−1)(1+Rk−1)R_k=e^{-\beta(t_k-t_{k-1})}(1+R_{k-1})

避免了反复对所有历史事件求和。因此,当指数分量的数量固定时,计算所有观测事件处的强度所需的时间可以与事件数成线性关系,而非平方关系。

一般的核函数可能需要采用历史截断、分箱或快速卷积。除非存在特殊的精确结构,否则这些方法都会引入近似。在接近临界状态时,看似很小的尾部截断也可能舍弃相当可观的后代效应;与此同时,由于事件簇规模很大,簇模拟的计算成本也会变高。因此,计算效率与能否忠实处理持久的激发效应密切相关。

统计估计与可识别性

假设在 [0,T][0,T] 上观测到事件,用 θ\theta 表示模型参数。给定初始历史,点过程的对数似然函数为

ℓ(θ)=∑tk≤Tlog⁡λθ(tk)−∫0Tλθ(t) dt.\ell(\theta) = \sum_{t_k\leq T}\log\lambda_\theta(t_k) - \int_0^T\lambda_\theta(t)\,dt.

对于多种事件类型,这两项都需要对各分量求和。事件项鼓励模型在事件发生时赋予较高的强度,而积分项则惩罚在所有时刻都赋予较高强度的做法。两项缺一不可:如果只拟合事件发生的位置,就会促使模型将发生率任意抬高。

对于初始历史为空的指数核模型,

∫0Tλ(t) dt=μT+αβ∑tk<T(1−e−β(T−tk)).\int_0^T\lambda(t)\,dt = \mu T+ \frac{\alpha}{\beta} \sum_{t_k<T} \left(1-e^{-\beta(T-t_k)}\right).

结合强度的递推计算,这一表达式使最大似然估计能够高效进行。当核函数的形状固定、线性系数非负时,对数似然在其有效定义域内是这些系数的凹函数。若同时估计衰减参数,通常就不再具有这种简单的凸优化结构。对多元模型施加平稳性约束,还可能带来额外的优化困难。

分枝表示引入了潜在的父事件指示变量。给定拟合参数和观测历史,发生于 tkt_k 的事件作为移入事件的概率为

pk0=μ(tk)λ(tk)p_{k0}=\frac{\mu(t_k)}{\lambda(t_k)}

而其作为更早事件 tjt_j 的直接子事件的概率为

pkj=ϕ(tk−tj)λ(tk)p_{kj}=\frac{\phi(t_k-t_j)}{\lambda(t_k)}

这些权重是期望最大化算法和概率去簇方法的基础。它们表达的是父子关系的不确定性,并不能重建一个可由观测唯一确定的事件谱系。

非参数方法通过分箱、样条或其他基函数展开来估计核函数,而不预先限定为指数型或幂律型。在高维模型中,正则化可以促进网络的稀疏性、核函数的平滑性或结构的共享。解释惩罚项的作用时,必须同时考虑正性约束和稳定性约束。估计得到的稀疏图既可能反映某些相互作用确实不存在,也可能是所选惩罚项和数据有限所致。

可识别性是一项核心局限。灵活的基线可以解释一些突发事件簇,而基线受严格限制的模型则会将这些事件簇归因于自激。在较短的观测记录中,长尾核可能难以与背景的缓慢变化区分开来。事件漏记、时间戳舍入以及未观测到的事件类型,都会改变表观依赖结构。基于费希尔信息计算的标准误依赖于正则性条件和模型设定的正确性;在接近不稳定状态、参数位于边界或模型设定有误时,标准的大样本近似可能并不准确。基于模拟的评估必须复现观测机制和初始化方式,而不只是拟合得到的事件发生率。

拟合优度、预测与观测效应

拟合得到的霍克斯过程既应解释事件发生的时间,也应解释事件总数。时间重标度定理提供了一项核心诊断工具。设补偿子为 Λ(t)\Lambda(t),在连续时间模型设定正确且采用适当的条件初始化时,变换后的事件时刻 Λ(tk)\Lambda(t_k) 应表现为单位速率泊松过程的到达时刻。因此,变换后的到达间隔增量

zk=∫tk−1tkλ(s) dsz_k=\int_{t_{k-1}}^{t_k}\lambda(s)\,ds

应当是相互独立、均值为一的指数随机变量。

进一步作变换

uk=1−e−zku_k=1-e^{-z_k}

所得的值应相互独立,并在 (0,1)(0,1) 上均匀分布。分位数图和分布检验可以揭示事件时间方面的误差,而序列依赖性检验则可以揭示尚未解释的时间结构。仅有边际均匀性还不够:模型可能使变换后的间隔具有正确的分布,却仍未消除间隔之间的依赖关系。用同一份记录估计参数也会影响正式统计检验的校准,因此,基于模拟的比较或在留出数据上的评估十分重要。

对多元过程的评估不能仅限于分别比较各分量的事件计数。逐分量的补偿子用于检验各个事件流,而叠加过程和条件事件类型概率则用于联合评估事件发生的时间及其在各分量间的分配。模型可能准确预测总体活动量,却将其分配给错误的分量。同样,成对相关性吻合并不保证高阶聚集结构、等待时间分布或极端爆发也正确。

预测必须考虑未来事件所引发的后代事件。若 mi(t)m_i(t) 表示观测截止时刻 TT 之后的条件期望强度,则

mi(t)=μi(t)+∑j∫(−∞,T]ϕij(t−s) dNj(s)+∑j∫Ttϕij(t−s)mj(s) ds.m_i(t) = \mu_i(t) + \sum_j\int_{(-\infty,T]} \phi_{ij}(t-s)\,dN_j(s) + \sum_j\int_T^t \phi_{ij}(t-s)m_j(s)\,ds.

第二项表示已观测历史产生的激发;第三项表示尚未观测到的事件产生的激发。对 mi(t)m_i(t) 积分可得到未来事件计数的期望,但求取预测区间通常还需要进一步的分布分析或模拟。

观测分辨率可能使原本适用的连续时间似然失效。时间戳取整会产生相同的记录时刻,但采用常规连续核的简单霍克斯模型通常认为事件在完全相同的时刻发生的概率为零。对记录时刻相同的事件任意排序,可能制造出人为的激发效应。对于按时间区间汇总的计数,则需要建立观测模型或采用有充分依据的近似。早期历史缺失会造成左边界问题,而有限的观测终点会影响长滞后效应的估计。因此,可靠的评估既要考察拟合得到的强度,也要考虑事件的记录方式。

在地震、金融和事件网络中的应用

地震余震建模是自激点过程的一项重要应用。在流行型余震序列模型(简称 ETAS 模型)中,地震被视为后续地震的潜在母事件,背景事件和受触发事件都可以产生后代事件。地震震级通常决定其产生后代事件的能力,而时间上的触发效应则遵循修正的大森型衰减规律。空间核用于描述后代事件在先前震中或破裂区域周围的分布。小形良彦在 20 世纪 80 年代为这类模型建立了影响深远的统计表述。

一种有代表性的带标记时间强度为

λ(t)=μ+∑tk<tAea(mk−m0)(t−tk+c)−p,\lambda(t) = \mu+ \sum_{t_k<t} A e^{a(m_k-m_0)}(t-t_k+c)^{-p},

其中,mkm_k 为地震震级,m0m_0 为地震目录的震级阈值。不同模型表述中的参数定义和归一化方式有所不同。有效分支比同时取决于时间触发效应和震级分布,而非仅由时间核的某个系数决定。地震目录的不完整性,尤其是大地震刚发生后的漏记,可能恰好掩盖模型试图估计的短时滞触发效应。

在金融计量经济学中,霍克斯模型用于描述成交时刻、订单提交、撤单以及价格上涨或下跌。多元模型的各个分量可以区分不同的事件类型或交易场所。自激效应表示同一事件流内部的突发聚集;交叉激励效应则表示不同事件流之间的响应。由于交易活跃程度在一个交易时段内往往呈现系统性变化,必须将日内季节性与激励效应区分开来。新闻和其他共同冲击也可能导致多个事件流同时发生变化,而不涉及事件之间的直接传导。

在神经科学中,事件流可以表示神经元的脉冲发放。正值核描述后续发放率的增加,或神经元之间的兴奋作用。纯粹的非负线性模型无法直接表示抑制作用或不应期;在不应期内,再次发放脉冲的可能性会暂时降低。非线性条件强度模型能够在保持发放率非负的同时,容纳历史事件的抑制效应。与其他多元应用一样,估计得到的统计相互作用不一定对应真实的物理连接。

在线传播模型使用发帖、分享或消息等事件,并用事件类型或标记表示用户、内容或受众特征。级联传播既可能源于外部关注,也可能源于内生分享。拟合结果中基线与激励效应所占的比例取决于模型:一次未被观测到的外部宣传事件,可能呈现出类似内部传播的表现。

在上述各个领域中,只有在给定的非负线性模型及其假设范围内,“内生比例”才具有严格的分支解释。它并不自然等同于实施干预后会消失的事件比例,也不是对物理或社会因果关系的直接度量。

非线性、带标记、空间及时变扩展

一般的非线性霍克斯模型将加性非负强度替换为经过变换的历史信号:

λi(t)=fi(νi(t)+∑j∫(−∞,t)hij(t−s) dNj(s)),\lambda_i(t) = f_i\left( \nu_i(t)+ \sum_j\int_{(-\infty,t)} h_{ij}(t-s)\,dN_j(s) \right),

其中,fif_i 将输入映射为非负值。此时,核函数 hijh_{ij} 可以取负值,从而允许抑制效应。整流、有界响应函数和平滑的正值变换分别描述了不同的机制。与经典线性模型不同,这类过程通常不具有相互独立的移民—后代簇结构。

非线性模型的稳定性取决于核函数强度与响应函数之间的相互作用。一个标准的充分条件利用了利普希茨连续性:若 fif_i 的利普希茨常数为 LiL_i,则构造非负矩阵

Aij=Li∫0∞∣hij(u)∣ du.A_{ij}=L_i\int_0^\infty|h_{ij}(u)|\,du.

在标准的可积性条件下,ρ(A)<1\rho(A)<1 可用于通过压缩映射论证平稳过程的存在性与唯一性。这是充分条件,而非必要条件。在相应线性模型不稳定的参数范围内,有界响应函数可以防止发生率无限增长;而快速增长的无界响应函数则可能带来额外的存在性问题。

带标记霍克斯过程为每个事件附加一个随机属性 mkm_k:

λ(t)=μ(t)+∑tk<tϕ(t−tk,mk).\lambda(t) = \mu(t)+\sum_{t_k<t}\phi(t-t_k,m_k).

标记可以表示地震震级、交易规模、消息内容或其他事件特征。如果依赖标记的繁衍机制具有适当的独立性结构,那么计算期望后代数时就需要对标记分布取平均。当标记本身也依赖历史时,这种平均必须遵循联合模型。仅为方便而将标记视为独立,可能改变模型所隐含的分枝机制。

空间及其时空版本描述的是单位时间、单位面积或单位体积内的事件发生率:

λ(x,t)=μ(x,t)+∑tk<tϕ(x−xk,t−tk,mk).\lambda(x,t) = \mu(x,t)+ \sum_{t_k<t} \phi(x-x_k,t-t_k,m_k).

后代总量通过同时对空间和时间积分得到。有限的观测区域会引入额外的边界效应,因为记录区域外的母事件可能在区域内产生事件,而观测到的事件也可能在区域外触发未被记录的后代事件。

时变系数和基线协变量使激发效应能够随不同状态而变化。更灵活的模型利用学习得到的核函数族、循环表示或人工神经网络来构造强度。这类模型可以提高预测的灵活性,但非负性、可积性、非爆炸性,以及积分强度在计算上的可处理性,仍然是实质性要求。灵活的历史依赖强度并不自动等价于经典的霍克斯分枝模型;这种等价关系取决于具体的加性、非负繁衍结构。