[論文レビュー] Dating the Break in High-dimensional Data

Runmin Wang, Xiaofeng Shao|arXiv (Cornell University)|Feb 10, 2020

Statistical Methods and Inference参考文献 16被引用数 5

ひとこと要約

本稿では、高次元かつ独立なデータの平均における変化点を特定するための、新しいU統計量に基づく推定量を提案する。この手法は、最小二乗法と比較して優れた効率性を達成する。漸近理論とブートストラップリサンプリングを用いて、漸近正規性と信頼区間を確立しており、p >> n であっても、成分間に依存性がある場合にも有効である。

ABSTRACT

This paper is concerned with estimation and inference for the location of a change point in the mean of independent high-dimensional data. Our change point location estimator maximizes a new U-statistic based objective function, and its convergence rate and asymptotic distribution after suitable centering and normalization are obtained under mild assumptions. Our estimator turns out to have better efficiency as compared to the least squares based counterpart in the literature. Based on the asymptotic theory, we construct a confidence interval by plugging in consistent estimates of several quantities in the normalization. We also provide a bootstrap-based confidence interval and state its asymptotic validity under suitable conditions. Through simulation studies, we demonstrate favorable finite sample performance of the new change point location estimator as compared to its least squares based counterpart, and our bootstrap-based confidence intervals, as compared to several existing competitors. The asymptotic theory based on high-dimensional U-statistic is substantially different from those developed in the literature and is of independent interest.

研究の動機と目的

• p >> n であり、成分間に依存性があるような高次元データにおける構造的変化の検出という課題に対処すること。
• 従来の最小二乗法に基づく手法よりも効率性に優れる、変化点位置の新しい推定手法を開発すること。
• 弱い正則性条件の下で、提案された推定量の漸近理論を確立し、収束速度と漸近分布を特定すること。
• 変化点位置のための漸近的およびブートストラップに基づく信頼区間を構築し、高次元設定下でも有効性を保証すること。
• 複雑な高次元データ構造における提案手法の理論的裏付けと有限標本での妥当性を提供すること。

提案手法

• 従来の最小二乗法に代わる、新しいU統計量に基づく目的関数を提案し、変化点推定に最大化する。
• 弱いモーメントおよび依存性の仮定の下で、U統計量の最大化値の収束速度と漸近分布を導出する。
• 正規化定数の一貫した推定量を用いて、変化点位置のための漸近的信頼区間を構築する。
• 変化の大きさに適応するブートストラップに基づく信頼区間手順を導入し、弱い依存性のもとで理論的に正当化される。
• 高次元U統計量理論を活用して極限分布を導出し、古典的な低次元漸近フレームワークとは顕著に異なる。
• Hájek-Rényiおよびコルモゴロフ型の不等式を用いて、高次元設定における部分和および積和の尾確率を制御する。

実験結果

リサーチクエスチョン

• RQ1 U統計量に基づく推定量は、高次元の変化点検出において、最小二乗法を上回る効率性を達成できるか？
• RQ2 高次元および依存性のあるデータの仮定の下で、変化点推定量の漸近分布は何か？
• RQ3 p >> n であり、成分間に依存性がある場合に、変化点位置の有効な信頼区間はどのように構築できるか？
• RQ4 提案されたブートストラップに基づく区間は、変化の大きさが未知の高次元設定でも漸近的に有効性を保つのか？
• RQ5 新しい手法は、従来の最小二乗法およびCUSUMに基づく手法と比較して、理論的および有限標本での性能にどのような優位性を示すか？

主な発見

• 提案されたU統計量に基づく推定量は、特定の高次元モデルにおいて、最小二乗法に基づく推定量よりも高い効率性を達成する。
• 推定量は一貫しており、適切に中心化・正規化された後、非退化な漸近分布に収束する。収束速度は $ O_p(n^{-1/2}) $ である。
• 弱い仮定のもとで漸近的信頼区間は有効であり、特に変化の大きさが中程度のとき、有限標本でも良好な性能を示す。
• ブートストラップに基づく信頼区間は漸近的に有効であり、未知の変化サイズに適応する特性を示し、有限標本でも良好な性能を発揮する。
• 理論的分析により、高次元U統計量の挙動は、古典的な低次元理論とは根本的に異なることが明らかになった。特に依存構造と正規化定数の点で顕著な差異が見られた。
• シミュレーション研究により、提案手法の有限標本における優れた性能が確認された。特に、高次元かつ依存性のある設定下での変化点検出において、最小二乗法や他の競合手法を上回る性能を示した。