[論文レビュー] A Consistent Independence Test for Multivariate Time-Series

Ronak Mehta, Cencheng Shen+2 more|arXiv (Cornell University)|Aug 18, 2019

Functional Brain Connectivity Studies参考文献 15被引用数 3

ひとこと要約

本稿では、時系列依存性を扱うために距離相関、マルチスケールグラフ相関（MGC）、ブロックパーミュテーションを組み合わせることで、多次元時系列の独立性を検証する一貫性のある非パラメトリックな仮説検定を2つ提案する。この手法は線形または非線形の関係を検出でき、最大依存度を示す時間ラグを特定する。厳密に stationarity な ARMA プロセスに対して理論的妥当性を示し、fMRI データにおける実証的検証により、線形および非線形の脳ネットワーク接続が明らかになった。

ABSTRACT

A fundamental problem in statistical data analysis is testing whether two phenomena are related. When the phenomena in question are time series, many challenges emerge. The first is defining a dependence measure between time series at the population level, as well as a sample level test statistic. The second is computing or estimating the distribution of this test statistic under the null, as the permutation test procedure is invalid for most time series structures. This work aims to address these challenges by combining distance correlation and multiscale graph correlation (MGC) from independence testing literature and block permutation testing from time series analysis. Two hypothesis tests for testing the independence of time series are proposed. These procedures also characterize whether the dependence relationship between the series is linear or nonlinear, and the time lag at which this dependence is maximized. For strictly stationary auto-regressive moving average (ARMA) processes, the proposed independence tests are proven valid and consistent. Finally, neural connectivity in the brain is analyzed using fMRI data, revealing linear dependence of signals within the visual network and default mode network, and nonlinear relationships in other regions. This work opens up new theoretical and practical directions for many modern time series analysis problems.

研究の動機と目的

• 時系列依存構造を考慮した、有効かつ一貫性のある時系列独立性検定を開発すること。
• 時系列におけるパーミュテーション検定の限界を克服し、帰無仮説下で時系列依存性を保持するブロックパーミュテーションを導入すること。
• 多次元時系列における線形および非線形依存関係を区別すること。
• 時系列間の依存度が最大となる時間ラグを特定すること。
• 実際の fMRI データにこの手法を適用し、脳内の神経結合パターンを解明すること。

提案手法

• 複数スケールでの依存度を測定するために、距離相関とマルチスケールグラフ相関（MGC）を組み合わせる。
• 帰無仮説下での検定統計量の分布を推定するために、ブロックパーミュテーションを用い、時系列依存構造を保持する。
• ARMA プロセスにこの検定を適用し、独立性の帰無仮説下での一貫性と妥当性を証明する。
• 複数スケールでの相関を探索することで、線形および非線形の両方の依存関係を検出するマルチスケールアプローチを採用する。
• 異なる依存構造に敏感になるように、スケールごとの MGC の最大値に基づく検定統計量を採用する。
• 依存度が最大となるラグを特定するためのラグベースの探索を導入する。

実験結果

リサーチクエスチョン

• RQ1 時系列依存性を考慮し、無効なパーミュテーション手順を回避する一貫性のある多次元時系列独立性検定を開発できるか？
• RQ2 時系列データにおける依存関係を、線形か非線形か信頼性高く区別できるか？
• RQ3 時系列間の依存度が最大となる最適な時間ラグは何か？
• RQ4 厳密に stationarity な ARMA プロセスに対して、提案手法は帰無仮説下で妥当性と一貫性を保つのか？
• RQ5 この手法は、線形および非線形の脳ネットワーク相互作用を区別できるか、fMRI データから意味のある神経結合パターンを明らかにできるか？

主な発見

• 提案された独立性検定は、帰無仮説下の独立性に対して、厳密に stationarity な ARMA プロセスにおいて有効かつ一貫性があることが証明された。
• この手法は、時系列における線形および非線形依存関係を効果的に区別でき、従来の手法に比べて非線形関係の検出に高いパワーを示した。
• ブロックパーミュテーション手順は、時系列依存構造を効果的に保持し、正確な帰無分布推定を可能にした。
• fMRI データ解析において、視覚ネットワークおよびデフォルトモードネットワークに線形依存が観察され、強い構造的結合性が示された。
• 他の脳領域では非線形関係が検出され、線形相関を超えた複雑で加法的でない相互作用が示唆された。
• 依存度が最大となる時間ラグが特定され、神経的相互作用の時間的ダイナミクスに関する洞察が得られた。