[論文レビュー] Bootstrap independence test for functional linear models

Wenceslao González–Manteiga, Gil González‐Rodríguez+2 more|arXiv (Cornell University)|Oct 3, 2012

Statistical Methods and Inference参考文献 32被引用数 7

ひとこと要約

本稿では、スカラー応答を伴う関数的線形モデルの有意性を検定する一貫性のあるブートストラップ法を提案する。特に、帰無仮説 $ H_0: \Theta = 0 $ と対立仮説 $ H_1: \Theta \neq 0 $ の検定を対象とする。この手法は、推定された残差と関数的主成分に基づく再サンプリングを用い、シミュレーションおよび実データ応用において漸近的近似法よりも優れたサイズとパワーを示す。

ABSTRACT

Functional data have been the subject of many research works over the last years. Functional regression is one of the most discussed issues. Specifically, significant advances have been made for functional linear regression models with scalar response. Let $(\mathcal{H},)$ be a separable Hilbert space. We focus on the model $Y=+b+\varepsilon$, where $Y$ and $\varepsilon$ are real random variables, $X$ is an $\mathcal{H}$-valued random element, and the model parameters $b$ and $Θ$ are in $\mathbb{R}$ and $\mathcal{H}$, respectively. Furthermore, the error satisfies that $E(\varepsilon|X)=0$ and $E(\varepsilon^2|X)=σ^2

研究の動機と目的

• スカラー応答を伴う関数的線形モデルの有意性を検定する一貫性のあるブートストラップ再サンプリング手順を開発すること。
• 小標本における漸近的近似の限界を是正するため、有限標本における補正手法を提供すること。
• 関数的線形モデルにおける $ H_0: \Theta = 0 $ の仮説検定のサイズとパワーを向上させること。
• 漸近的理論、シミュレーション研究、および実データ応用を通じてブートストラップ手法の妥当性を検証すること。
• 高次元の関数的データにおける関数的依存関係を検定するための実用的で計算が可能なツールを提供すること。

提案手法

• 関数的線形モデル $ Y = \langle \Theta, X \rangle + b + \varepsilon $ からの推定残差に基づく一般化されたブートストラップ再サンプリングスキームを提案する。
• 関数的主成分分析（FPCA）を用いて、関数的予測変数 $ X $ を低次元空間に表現する。
• 帰無仮説の下での再サンプルデータを用いて、ブートストラップ検定統計量 $ T_{1,n}^{*(a)}, T_{1,n}^{*(b)}, T_{2,n}^{*}, T_{3,n}^{*}, T_{3s,n}^{*} $ を構築する。
• 誤差分散 $ \sigma^2 $ の一貫した推定を組み込んだ標準化されたバージョン $ T_{3s,n}^{*} $ を用いることで、頑健性を向上させる。
• ブートストラップ検定統計量の経験的分布を用いてp値を補正し、より良好な有限標本性能を確保する。
• 分散推定を含む統計量と含まない統計量の両方をブートストラップに適用し、性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 スカラー応答を伴う関数的線形モデルのための一貫性のあるブートストラップ法を開発し、検定統計量を補正できるか？
• RQ2 小標本において、ブートストラップに基づく検定は漸近的近似法に比べてサイズとパワーの点でどのように性能を示すか？
• RQ3 分散推定を含む統計量と含まない統計量のうち、どちらがより優れた経験的性能を示すか？
• RQ4 主成分の数 $ k_n $ の選択が、検定性能に与える影響は何か？
• RQ5 本手法は、例えば大気汚染濃度曲線のような実関数的データに効果的に適用可能か？

主な発見

• ブートストラップに基づく検定は、漸近的分布を用いた検定に比べて名目水準に近いサイズを達成しており、特に第1種の誤りの制御が顕著に改善されている。
• 誤差分散 $ \sigma^2 $ の一貫した推定を含む統計量、たとえば $ T_{3,n}^{*} $ および $ T_{3s,n}^{*} $ は、分散推定を含まない統計量よりも顕著に高い経験的パワーを示している。
• r = 2 の場合、$ k_n = 1 $ で $ T_{3s,n}^{*} $ の経験的パワーは10%水準で99.8%に達し、他の統計量を上回っている。
• 分散推定を無視する $ T_{2,n}^{*} $ に基づく検定は、最も低いパワーを示し、$ k_n = 10 $ の大規模な場合、5%水準で経験的パワーが25.4%にまで低下する。
• NOx濃度に関する実データ応用では、すべてのブートストラップ検定が帰無仮説を棄却したが、$ k_n $ が大きい場合の $ T_{2,n} $ を除いて、線形関係が有意であることを確認した。
• $ k_n $ の選択は性能に顕著な影響を及ぼし、最適な選択は未解決の問題であり、今後の研究が求められる。