Blokzincir veri analitiği, dağıtık defterlerde oluşan işlemleri zaman, ağ yapısı, belirsizlik, anomali, güven ve yüksek boyutlu bağımlılık açısından istatistiksel olarak inceleyen bir araştırma alanıdır. Bhojnarine R. Rambharat ve Yulia R. Gel’in çalışması yeni bir algoritmayı benchmark etmek yerine blokzincir ekosistemlerinin hangi istatistiksel problemleri ortaya çıkardığını sistematik biçimde tartışmaktadır. Makale; block header içindeki timestamp, hash ve nonce gibi metadata unsurlarından UTXO işlem ağlarına, temporal point process ve dinamik ağlardan uncertainty quantification, graph bootstrap, yüksek boyutlu covariance/precision matrix modelleri ve Bayesçi güven analizine kadar geniş bir yöntem alanı tanımlar. Temel sonuç yeni bir sayısal performans değeri değil, blokzincirin yalnız bilgisayar biliminin değil istatistik biliminin de çözmesi gereken çok katmanlı bir veri problemi olduğudur.

Çalışmanın çıkış noktası önemli bir araştırma boşluğudur. Kriptografi, dağıtık sistemler, ekonomi, sağlık, gayrimenkul ve sanat gibi alanlarda geniş bir blokzincir literatürü bulunmasına karşın blokzincir verisinin istatistiksel çıkarım, belirsizlik ve dinamik ağ perspektifinden sistematik incelenmesinin daha fazla geliştirilmesi gerektiği savunulmaktadır. Yazarlar özellikle düzensiz zamanlı işlemler, zaman içinde değişen ağlar, cross-chain hareketler, fiyat tutarsızlıkları, düğüm belirsizliği, fraud ve money-laundering örüntüleri ile ağ güveninin gelecek istatistik araştırmaları için verimli alanlar olduğunu belirtmektedir.

Bu makale bir yöntem karşılaştırma deneyi değildir. Temporal point process, Bayesian trust model, Monte Carlo, bootstrap, topological data analysis veya tensor yöntemlerinin hiçbiri bu çalışmada ortak bir benchmark üzerinde test edilmemektedir. Bunlar gelecek araştırmalar için önerilen istatistiksel araçlardır. Dolayısıyla çalışma, belirli bir yöntemin fraud detection veya blockchain security için kanıtlanmış üstünlüğünü değil, hangi veri problemlerinin hangi istatistiksel ailelerle araştırılabileceğine ilişkin bilimsel bir yol haritasını sunmaktadır.

Blokzincir neden bir istatistik problemi olarak ele alınabilir?

Blokzincir, kriptografik olarak doğrulanmış işlemlerin bloklar halinde tutulduğu dağıtık dijital bir defter yapısıdır. Bir blok önceki blokla kriptografik olarak bağlanır; ağdaki kurallar ve consensus mekanizması yeni blokların kabul edilmesini belirler. Zincire yeni bloklar eklendikçe eski kayıtların değiştirilmesi hesaplama açısından zorlaşır ve yapı tam anlamıyla fiziksel olarak değişmez değil, değiştirmeye dayanıklı bir kayıt sistemi haline gelir.

İstatistik açısından kritik nokta blokzincirin yalnız bir kayıt deposu olmamasıdır. Sistem sürekli olarak:

• zaman damgaları,
• adresler ve işlem bağlantıları,
• miktarlar,
• hash değerleri,
• nonce ve başka block metadata,
• ağ düğümleri ve bağlantıları,
• değişen edge weight'ler,
• cross-chain hareketler

gibi analiz edilebilir veri üretir. Bu veri aynı anda zamansal, ağ yapılı, yüksek boyutlu ve potansiyel olarak düzensizdir.

Permissioned ve permissionless blokzincirler

Kaynak blokzincirleri iki geniş sınıfta ele almaktadır. Permissioned blockchain katılımcı ve doğrulayıcı erişiminin sınırlandığı ve genellikle daha merkezi kontrol taşıyan yapıdır. Permissionless blockchain ise katılım ve doğrulamanın daha açık olduğu, daha merkeziyetsiz ağ yapısını ifade eder.

Bu ayrım istatistiksel modelleme için de önemlidir. Ağın kim tarafından gözlenebildiği, düğümlerin nasıl oluştuğu, işlem doğrulamasının hangi süreçten geçtiği ve verinin hangi kısmının erişilebilir olduğu kullanılabilecek veri modelini değiştirebilir.

Tarihsel arka plan

Çalışma modern blokzincirin ortaya çıkışını yalnız Bitcoin ile başlatmamaktadır. Yazarlar blokzincir altyapısına giden fikirlerin daha erken bilgisayar bilimi çalışmalarına uzandığını vurgular.

David Chaum'un 1982 doktora çalışmasındaki dijital para ve karşılıklı olarak birbirine güvenmeyen grupların güvenilir bilgisayar sistemleri kurması problemi önemli öncüllerden biridir. Ralph Merkle'nin 1978 tarihli cryptographic hash çalışması daha sonra Merkle tree olarak bilinen yapıların temelini oluşturmuştur. Lamport, Shostak ve Pease'in Byzantine Generals Problem çalışması ise dağıtık bir ağda güvenilmez veya hatalı katılımcılara rağmen ortak karar oluşturma problemini kuramsallaştırmıştır.

Makale bu tarihsel sürekliliği, blokzincirin yalnız yeni bir finans teknolojisi değil; güven, doğrulama ve dağıtık kayıt problemi üzerinde onlarca yıldır gelişen fikirlerin birleşimi olarak okunması gerektiğini göstermek için kullanmaktadır.

İstatistiksel boşluk

Blokzincir bilgisayar bilimi literatürünün yanı sıra ekonomi, sağlık, gayrimenkul ve sanat alanlarında da kullanılmıştır. Bitcoin'in yasadışı işlemlerdeki rolü, blockchain graph risk modeling, real-estate işlemleri, sağlık kayıtları ve sanat piyasası gibi konular üzerine araştırmalar bulunmaktadır.

Yazarların vurguladığı boşluk, blokzincirin teknik altyapısının eksik bilinmesi değil; blokzincir tarafından üretilen karmaşık verinin istatistiksel çıkarım, belirsizlik, zamansallık ve ağ analizi açısından daha sistematik ele alınması gereğidir.

Blokzincir Verisi Neden Klasik Tablo Verisinden Farklıdır?

Blokzincir verisi çoğu zaman tek satırda bağımsız gözlemlerden oluşan klasik tablo yapısından farklıdır; işlemler zaman damgalarıyla birbirine bağlanır, adresler bir ağ oluşturur, bir işlem birden fazla girdiyi veya çıktıyı birleştirebilir ve düğüm, edge ve edge weight yapıları zaman içinde değişebilir. Bu nedenle blokzincir analizi zaman serisi, point process, network statistics, graph topology ve yüksek boyutlu istatistik gibi yöntemlerin birlikte değerlendirilmesini gerektirebilir.

Bir block header hangi verileri taşır?

Kaynak, block header'ı bir bloğun kendisi hakkında metadata taşıyan bölümü olarak açıklamaktadır. İstatistiksel açıdan özellikle üç unsur öne çıkar:

Blokzincir veri kaynakları

Çalışma istatistiksel araştırma için birkaç somut veri kaynağı önermektedir:

Bunlar bu makalede birlikte analiz edilmiş tek bir deney veri kümesi değildir. Yazarlar bunları istatistikçilerin yeni çalışmalar geliştirebileceği örnek veri kaynakları olarak listelemektedir.

Keşifsel veri analizi neden ilk adımdır?

Blokzincir verisinin alışılmadık yapısı nedeniyle doğrudan karmaşık modele geçmek yerine önce exploratory data analysis (EDA) yapılması önemlidir. EDA; işlem büyüklüklerinin dağılımını, ağ yapısını, düğüm yoğunluğunu, split/merge örüntülerini, sıra dışı adres davranışlarını ve zaman içindeki değişimleri anlamaya yardımcı olabilir.

Kaynak John Tukey'nin keşifsel veri analizi geleneğini blokzincir bağlamına taşımaktadır. Buradaki amaç yalnız histogram veya basit özet istatistik üretmek değildir; analiz edilecek veri nesnesinin ne olduğunu doğru belirlemektir.

Ethereum tipi işlemler ile UTXO işlemlerinin farkı

Kaynak, Ethereum gibi platformlardaki bazı işlemleri bir adresin başka bir adrese varlık göndermesi biçimindeki klasik one-to-one network edge yapısıyla karşılaştırmaktadır.

Bitcoin ve Litecoin gibi UTXO tabanlı yapılarda ise durum daha karmaşıktır. Bir adres birden fazla unspent transaction output'a sahip olabilir ve tek bir işlem birden fazla input ile output'u birlikte kullanabilir. Bu nedenle klasik tek-edge network modeli tek başına bütün işlem yapısını temsil etmeyebilir.

UTXO örneği ne gösteriyor?

Kaynakta kullanılan açıklayıcı örnekte 13 adres ve dört işlem vardır. Toplam 6,0 birim ağ içine girerken işlemlerin sonunda 4,4 birim kalmakta ve aradaki fark işlem ücretleriyle ilişkilendirilmektedir.

Yazarlar bu yapı içinde üç temel işlem örüntüsüne dikkat çeker:

• Transition: Değerin bir işlem düğümünden yeni adrese aktarılması.
• Split: Bir girdinin birden fazla çıktıya ayrılması.
• Merge: Birden fazla girdinin daha az sayıda çıkışta birleşmesi.

Bu örüntüler yalnız muhasebe detayı değildir. Ağdaki davranış tiplerini, adres ilişkilerini, sermaye parçalanmasını ve olası anomali örüntülerini tanımlamak için istatistiksel özelliklere dönüştürülebilir.

Ponzi scheme tespiti örneği

Kaynak, Bartoletti ve çalışma arkadaşlarının Bitcoin adreslerinden olası Ponzi scheme örüntülerini ortaya çıkarmak için data mining ve machine learning kullanan çalışmasını EDA'nın pratik değerine örnek olarak göstermektedir.

Bu sonuç Rambharat ve Gel'in yeni fraud-detection deney sonucu değildir. Makale mevcut çalışmayı, blockchain address verisinin nasıl incelenebileceğini göstermek için kullanmaktadır.

Zaman boyutu

Her blockchain işleminin timestamp taşıması, ağı doğal bir zamansal sistem haline getirir. Yazarlar özellikle işlem veya doğrulama noktaları arasındaki zamanın istatistiksel bilgi taşıyabileceğini belirtmektedir.

Blockchain timestamp dizileri klasik düzenli aralıklı zaman serilerine benzemeyebilir. İşlem geliş zamanları düzensizdir; ağ düğümleri ve bağlantıları değişebilir; split ve merge süreçleri ağ topolojisini değiştirebilir.

Kaynak bu nedenle şu araştırma alanlarını önermektedir:

• düzensiz işlem zamanları için temporal point processes,
• verification point'ler arasındaki sürenin analizi,
• zamanla değişen node, edge ve edge weight'ler için dynamic network analysis,
• motif, graphlet ve chainlet dinamikleri,
• statistical topological data analysis,
• cross-chain money laundering için hypergraph, tensor ve functional data yöntemleri,
• şüpheli işlemleri işaretlemek için blockchain time-series forecasting.

Blokzincir Verilerinde Belirsizlik Nicelendirmesi Neden Önemlidir?

Belirsizlik nicelendirmesi, blockchain ağındaki fiyat, düğüm, bağlantı veya ağ yapısı hakkındaki istatistiksel belirsizliği yalnız tek bir tahminle değil dağılım, varyans veya güven ölçüleriyle ifade etmeyi amaçlar; kaynak bu yaklaşımın fiyat tutarsızlıklarını, ağdaki sıra dışı davranışları, crypto-whale yapıları ve güvenlik açısından kritik düğüm belirsizliğini incelemek için önemli bir araştırma yönü olduğunu savunmaktadır.

Merkezi fiyat olmadığı zaman ne olur?

Merkezi olmayan piyasalarda aynı dijital varlık farklı platformlarda farklı fiyatlarla işlem görebilir. Böyle bir fiyat ayrışması arbitraj oluşturabilir ve ilgili derivative contract'ların fiyatlamasını da etkileyebilir.

İstatistiksel problem yalnız “hangi fiyat doğru?” değildir. Farklı veri kaynaklarından gelen fiyatların ölçüm belirsizliği, platform bağımlılığı, zaman eşleşmesi ve network koşulları birlikte modellenmelidir.

51% attack ve node uncertainty

Kaynak, bir ağda kötü niyetli aktörlerin doğrulama kapasitesinin çoğunluğunu kontrol ettiği 51% attack probleminde node-level belirsizliğin istatistiksel olarak izlenmesini araştırma fırsatı olarak göstermektedir.

Bu makale yeni bir 51% attack detector geliştirmemektedir. Belirsizlik nicelendirmesinin güvenlik izleme sistemlerine ek bilgi sağlayabileceği yöntemsel bir araştırma yönü olarak önerilmektedir.

Önerilen UQ araçları

Bayesçi blokzincir analizi

Bayesçi istatistik, önceden sahip olunan inanç veya bilgi ile ağdan gelen yeni veriyi sistematik olarak birleştirmeye uygundur. Kaynak bu özelliği özellikle trust problemine bağlamaktadır.

Bir ağ düğümünün veya katılımcının güvenilirliğine ilişkin başlangıç düzeyi bir prior olarak düşünülebilir. Yeni işlem veya network davranışı gözlendikçe bu bilgi posterior güven dağılımına dönüştürülebilir.

Kaynak, peer-to-peer sistemlerdeki Bayesian trust model literatürünün blockchain ağlarına yeni araştırma fırsatları sağlayabileceğini belirtmektedir.

Bayesçi Yöntemler Blokzincir Güvenini Nasıl Modelleyebilir?

Bayesçi yaklaşım, bir blockchain düğümü veya katılımcısı hakkındaki başlangıç güven düzeyini prior dağılım olarak tanımlayıp yeni ağ gözlemleri geldikçe posterior güven düzeyini güncelleyebilir; kaynak özellikle güvenin öznel ve belirsiz olduğu durumlarda bu olasılıksal çerçevenin karar vermeye yardımcı olabileceğini ve kapalı-form likelihood bulunmadığında MCMC veya sequential Monte Carlo yöntemlerinin kullanılabileceğini belirtmektedir.

MCMC ve Sequential Monte Carlo

Posterior dağılım kapalı biçimde hesaplanamıyorsa Markov chain Monte Carlo (MCMC) örnekleme yöntemleri kullanılabilir. Özellikle gizli veya gözlenemeyen stochastic process'lerin zaman içinde tahmin edilmesi gerektiğinde sequential Monte Carlo (SMC) yöntemleri de doğal adaylardır.

Makale bu algoritmaları blockchain verisi üzerinde yeni bir deneyle benchmark etmemektedir. Amaç bu yöntemlerin hangi tür çıkarım problemlerinde değer sağlayabileceğini göstermektir.

Kripto para dışındaki uygulamalar

Çalışma blokzincir istatistiğini kripto para piyasasıyla sınırlandırmaz.

Gayrimenkul: Blockchain kayıtları işlem geçmişi, smart contract süreçleri ve başka kamu verileriyle birlikte modelleme için kullanılabilir. Kaynak, bankacılar, brokerlar ve land developer'lar gibi aktörlerin bu verilerden yararlanabileceğini tartışmaktadır.

Sağlık: Hasta kayıtlarının gizliliğini koruyan private blockchain ve federated-learning yapıları özel sayıda ele alınan alanlardan biridir.

Sanat: Blockchain provenance ve işlem kayıtları, sanat varlıklarının fiyatlanması ve ownership değişimlerinin analizinde veri altyapısı oluşturabilir.

Finansal piyasalar: Cryptocurrency exchange fiyat farkları, stablecoin'ler, CBDC'ler, AML ve exchange-network risk propagation gibi konular istatistiksel analiz için öne çıkmaktadır.

Çalışmanın Yöntemi ve Bulguları

Araştırma tasarımı

Bu çalışmanın yöntemi deneysel model karşılaştırması değil; mevcut blockchain ve istatistik literatürünü tutorial/perspektif çerçevesinde bir araya getirerek araştırma problemlerini sınıflandırmaktır.

Analitik yapı dört ana aşamada okunabilir:

1. Blockchain teknolojisinin ve tarihsel köklerinin tanımlanması.
2. Blockchain'in hangi veri nesnelerini ürettiğinin açıklanması.
3. Bu veri nesnelerine uygulanabilecek istatistiksel araştırma alanlarının belirlenmesi.
4. Özel sayıdaki çalışmalar üzerinden somut araştırma örneklerinin gösterilmesi.

Çalışmada yeni deney veya benchmark var mı?

Hayır. Kaynakta train-test ayrımı, model hiperparametresi, p-değeri, confidence interval, effect size veya karşılaştırmalı performans tablosu yoktur. Bunun nedeni eksik raporlama değil, makalenin temel olarak araştırma-perspektifi ve özel sayı giriş yazısı olmasıdır.

İstatistiksel araştırma yol haritası

Özel sayıdaki araştırmalar

Bu tablo, Rambharat ve Gel'in kendi deneylerinin sonuç tablosu değildir. Makalenin özel sayıdaki diğer araştırmaları nasıl konumlandırdığını özetleyen Verianla yapısıdır.

Özel sayıdaki ağ difüzyonu çalışması

Kaynak, S. M. Mustaquim ve çalışma arkadaşlarının cryptocurrency blockchain ağlarında diffusion process'leri simulation ve Bayesian yöntemlerle incelediğini aktarmaktadır. Hub-dominated ağların rastgele failure'lara karşı dayanıklı, hedeflenmiş attack'lara karşı ise daha kırılgan olabileceği belirtilmektedir.

Lightning Network ve deep reinforcement learning

M. Salahshour ve çalışma arkadaşlarının özel sayı çalışması, Bitcoin Lightning Network'te node selection ile resource allocation problemlerini birlikte çözmek için deep reinforcement learning kullanmaktadır. Kaynak bu çalışmayı scalability, financial inclusion, censorship resistance, privacy ve security bağlamında konumlandırmaktadır.

Ethereum fraud ve AML

Y. Chen ve çalışma arkadaşlarının çalışması Ethereum'daki fraud detection problemini multilayer ve topology-aware graph contrastive learning ile ele almaktadır. Kaynak bu yaklaşımın fraud ve anti-money-laundering uygulamaları açısından umut verdiğini belirtmektedir.

Tensor change-point detection

A. Anastasiou ve I. Cribben'in özel sayı çalışmasında tensor-variate verinin network yapısındaki değişimler incelenmektedir. Tensor decomposition sonrasında cross-covariance yapısındaki birden fazla change-point'in tespit edilmesi amaçlanmaktadır.

Kripto borsalarında risk propagation

J. Goel ve çalışma arkadaşlarının çalışması cryptocurrency exchange failure risklerine odaklanmaktadır. Temporally dependent tensor-valued veriler için precision-matrix tahmininin, exchange'ler arasındaki gizli bağlantıların ve risk propagation yollarının anlaşılmasına katkı sağlayabileceği belirtilmektedir.

CBDC ve stablecoin ilişkisi

L. Dionysopoulos ve C. Makridis, central bank digital currency söylemlerinin stablecoin market sentiment üzerindeki etkisini incelemektedir. Kaynak bu çalışmayı CBDC adoption'ın stablecoin'leri veya başka private banking çözümlerini istemeden etkileyebilmesi bağlamında tanıtmaktadır.

Sağlık verisi ve private blockchain

K. Mathur ve çalışma arkadaşlarının özel sayı çalışması private blockchain, federated learning ve ranked set sampling'i sağlık verisi bağlamında birleştirmektedir. Amaç sensitive medical data'yı doğrudan merkezileştirmeden predictive modeling yapabilen bir mimari oluşturmaktır.

NFT ve Digital Art Index

M. Lin ve çalışma arkadaşları blockchain ve smart contract altyapısını sanat piyasasıyla ilişkilendiren bir Digital Art Index geliştirmektedir. Kaynak, endeksin 2023 itibarıyla en likit on NFT sanat koleksiyonunu hedonic regression aracılığıyla ele aldığını belirtmektedir.

Bu Makale Belirli Bir İstatistiksel Yöntemin Üstünlüğünü Kanıtlıyor mu?

Hayır. “Blockchain frontiers in statistics” farklı istatistiksel yöntemleri ortak bir blockchain benchmarkı üzerinde karşılaştırmamakta ve herhangi bir yöntem için accuracy, error, p-değeri veya benzeri üstünlük metriği raporlamamaktadır; makalenin bilimsel katkısı hangi blockchain veri problemlerinin hangi istatistiksel araştırma aileleriyle ele alınabileceğini göstermesi ve özel sayıdaki çalışmaları bu çerçevede konumlandırmasıdır.

Çalışmanın desteklediği sonuçlar

• Blockchain işlemleri zaman, ağ ve yüksek boyutlu veri yapıları üretmektedir.
• UTXO tipi blockchain'lerde işlem yapısı klasik one-to-one network modellerinden daha karmaşık olabilir.
• Temporal point processes, dynamic networks ve topological data analysis blockchain verisi için doğal araştırma alanlarıdır.
• Blockchain ağlarının merkezi olmayan yapısı önemli uncertainty-quantification problemleri ortaya çıkarabilir.
• Monte Carlo ve graph-resampling yöntemleri blockchain ağlarında belirsizlik araştırmaları için potansiyel araçlardır.
• Bayesian trust modelleri ve Monte Carlo yöntemleri ağ güvenilirliğine ilişkin olasılıksal çıkarımlar için potansiyel araştırma yönleridir.
• Blockchain istatistiğinin finans dışında sağlık, gayrimenkul ve sanat gibi uygulama alanları vardır.
• Fraud, AML, exchange risk propagation ve cross-chain activity istatistikçiler için önemli açık problemler arasındadır.

Çalışmanın desteklemediği sonuçlar

• Belirli bir blockchain istatistik yönteminin diğerlerinden daha yüksek doğruluk sağladığı gösterilmemiştir.
• Temporal point process veya Bayesian model için yeni benchmark sonucu raporlanmamaktadır.
• Belirsizlik nicelendirmesinin 51% attack'ı gerçek bir ağda engellediği deneysel olarak gösterilmemiştir.
• Bu makale yeni bir fraud detector, AML sistemi veya cryptocurrency forecasting modeli geliştirmemektedir.
• Blockchain kullanımının gayrimenkul, sağlık veya sanat işlemlerinde otomatik olarak daha verimli olduğu yeni bir saha deneyiyle kanıtlanmamıştır.
• Özel sayıdaki diğer makalelerin sonuçları Rambharat ve Gel'in kendi ampirik bulguları değildir.
• Kaynakta blockchain ağları için evrensel bir istatistiksel standart önerilmemektedir.

Çalışmanın güçlü yanı

Çalışmanın güçlü tarafı blockchain'i tek bir “kripto para” konusu olmaktan çıkararak veri nesnesi açısından ayrıştırmasıdır. Timestamp, graph topology, UTXO yapısı, uncertainty, latent dynamics ve trust gibi farklı sorunları istatistik biliminin farklı alt alanlarıyla eşleştirmektedir.

Bu yaklaşım, özellikle yöntem geliştiren araştırmacı açısından “hangi algoritmayı blockchain'e uygulayabiliriz?” sorusundan daha üretken bir soruya geçiş sağlar: “Blockchain hangi yeni istatistik problemlerini ortaya çıkarıyor?”

Çalışmanın temel sınırlılığı

Perspektif/tutorial niteliğinin doğal sonucu olarak önerilen yöntemlerin çoğu aynı veri üzerinde ampirik olarak sınanmamaktadır. Makale yeni bir benchmark, ortak evaluation protocol veya metodolojik head-to-head comparison sunmamaktadır.

Dolayısıyla araştırma yol haritası güçlüdür; fakat her yöntemin performansı, ölçeklenebilirliği, hata özellikleri ve gerçek ağlardaki faydası ayrı deneysel çalışmalarla doğrulanmalıdır.

Kaynak ve Yöntem Notu

Yüklenen PDF'deki tam özgün başlık: Blockchain frontiers in statistics.

Hakemli yayın kaydındaki başlık: Blockchain frontiers in Statistics.

Yazarlar: Bhojnarine R. Rambharat; Yulia R. Gel.

Yüklenen PDF afiliyasyonları: Bhojnarine R. Rambharat — Sufficient Statistics LLC, Ellicott City, Maryland; Yulia R. Gel — Virginia Polytechnic Institute and State University, Blacksburg, Virginia.

Corresponding author: Hakemli dergi kaydı Bhojnarine R. Rambharat'ı correspondence adresiyle vermektedir.

Yüklenen manuscript tarihi: 2 Şubat 2026.

Hakemli dergi: Journal of the Royal Statistical Society Series A: Statistics in Society.

Özel sayı: Blockchains in Society: Challenges, Innovations and Opportunities for Statistics.

Cilt / sayı: 189 / 2.

Sayfalar: 621–629.

Dergi sayı tarihi: Nisan 2026.

Makalenin çevrimiçi yayın tarihi: 24 Mart 2026.

Article history: Received 5 Şubat 2026; revision received 12 Şubat 2026; accepted 13 Şubat 2026.

Hakemli sürüm DOI: 10.1093/jrsssa/qnag035.

Platform/yayıncı: Oxford Academic / Oxford University Press; Journal of the Royal Statistical Society Series A.

Hakemlik durumu: Hakemli ve yayımlanmış dergi makalesidir. Yüklenen 2 Şubat tarihli 17 sayfalık dosya, hakemli yayından önceki manuscript/preprint sürümüdür.

SSRN kaydı: SSRN Abstract ID 6896039.

SSRN DOI: 10.2139/ssrn.6896039.

SSRN posting tarihi: 30 Haziran 2026.

SSRN lisansı: All rights reserved; yeniden kullanım için izin gerekmektedir.

Çıkar çatışması: SSRN metadata'sında None.

Etik onay: SSRN metadata'sında N/A.

Finansman: SSRN metadata'sında Funder Statement: None.

Makale türü: Tutorial/perspektif, özel sayı giriş yazısı ve araştırma yol haritası. Yeni kontrollü deney veya ortak benchmark çalışması değildir.

Temel literatür boşluğu: Blockchain ve distributed-ledger literatürü geniş olmakla birlikte blockchain data analytics'in istatistiksel çıkarım, belirsizlik ve dinamik network perspektifinden daha fazla geliştirilmesi gerekmektedir.

Merkezi veri nesneleri: Timestamp, block metadata, hash, nonce, transaction address, UTXO, dynamic node/edge/edge-weight yapıları ve cross-chain network activity.

Kaynakta önerilen ana istatistiksel yöntem aileleri: Exploratory Data Analysis, temporal point processes, time-series analysis, dynamic network analysis, graph motifs/graphlets/chainlets, statistical topological data analysis, hypergraphs, tensors, functional data analysis, uncertainty quantification, Monte Carlo, graph bootstrap, high-dimensional covariance/precision matrices, dynamic factor analysis, Bayesian trust models, MCMC ve Sequential Monte Carlo.

Kaynakta listelenen örnek veri kaynakları: Chartalist; Stanford SNAP Bitcoin Alpha; Stanford SNAP Ethereum; Google Cloud Blockchain Analytics.

Şekil 1 hak durumu: PDF açıkça NIST'ten alınmış blockchain data-elements şeması olarak tanımlar. Üçüncü taraf materyaldir; Verianla'da doğrudan kopyalanmamıştır.

Şekil 2 hak durumu: PDF açıkça Akçora et al. (2022)'den alınmış UTXO şeması olarak tanımlar. Üçüncü taraf materyaldir; Verianla'da doğrudan kopyalanmamıştır.

UTXO örneği: Kaynakta 13 adres, dört transaction, 6,0 birim giriş ve sonunda 4,4 birim kalan açıklayıcı network örneği kullanılmaktadır.

İstatistiksel test: Bu makalenin kendisinde ortak bir deney için p-değeri, confidence interval veya effect-size karşılaştırması bulunmamaktadır.

Yeni veri toplama: Yoktur.

Train/test veya cross-validation: Makale kendi modeli için böyle bir deney yürütmemektedir.

Saha doğrulaması: Makalenin kendi istatistiksel çerçevesi için saha performans testi bulunmamaktadır; çalışma araştırma yönleri sunmaktadır.

Veri erişilebilirliği: Ayrı özgün araştırma veri seti raporlanmamıştır. Bunun yerine istatistiksel araştırma için çeşitli blockchain veri kaynakları listelenmektedir.

CRediT / yazar katkıları: Yüklenen manuscript'te ayrı CRediT bildirimi bulunmamaktadır.

Temel yorum sınırı: Makalenin önerdiği temporal, network, UQ ve Bayesian yöntemler potansiyel araştırma araçlarıdır; bu makale bu yöntemlerin gerçek blockchain sistemlerinde üstün performansını kendisi kanıtlamamaktadır.