[論文レビュー] Detecting nonlinearity in multivariate time series

Milan Paluš|RePEc: Research Papers in Economics|Jul 31, 1995

Spectroscopy and Chemometric Analyses被引用数 5

ひとこと要約

本稿では、複数変数を含む時系列における非線形依存性を検出するため、冗長性に基づくサーロー・データ手法を拡張した多変量非線形性検出手法を提案する。線形冗長性指標と多変量サーロー・データを組み合わせることで、非線形構造を効果的に同定しつつ、不完全なサーロー・データによる誤検出を最小限に抑える。合成データおよび生理的・気象的データセットにおいて優れた性能を示している。

ABSTRACT

We propose an extension to time series with several simultaneously measured variables of the nonlinearity test, which combines the redundancy -- linear redundancy approach with the surrogate data technique. For several variables various types of the redundancies can be defined, in order to test specific dependence structures between/among (groups of) variables. The null hypothesis of a multivariate linear stochastic process is tested using the multivariate surrogate data. The linear redundancies are used in order to avoid spurious results due to imperfect surrogates. The method is demonstrated using two types of numerically generated multivariate series (linear and nonlinear) and experimental multivariate data from meteorology and physiology.

研究の動機と目的

• 複数の変数を同時に観測する多変数時系列における非線形性を検出するための頑健な手法の開発。
• 多変数設定における不完全なサーロー・データによる誤った非線形性検出の課題に対処すること。
• 構造的冗長性指標を組み込むことで、単変数非線形性検出手法を多変数系に拡張すること。
• 複雑なシステムにおける変数群間の特定の依存構造をテストできること。
• 多変数データにおける線形確率過程と非線形ダイナミクスを区別する統計的に妥当なフレームワークを提供すること。

提案手法

• 本手法は、変数間における複数のタイプの冗長性を定義することで、単変数の冗長性に基づく非線形性検定を多変数時系列に拡張する。
• 線形確率過程の帰無仮説の下で生成された多変数サーロー・データを用い、周辺統計量と線形相互相関を保持する。
• 元のデータおよびサーロー・データの両方に対して線形冗長性指標を計算し、他の変数からある変数をどれだけ予測可能かを測定する。
• 元のデータの冗長性とサーロー・データの冗長性を比較する。有意な差が認められれば、非線形依存性が存在する。
• グループ単位やペアワイズの関係など、異なる依存構造を調べるために複数の冗長性タイプを用いる。
• 線形モデルで捉えきれない非線形構造のみを有意と特定することで、誤検出を低減する。

実験結果

リサーチクエスチョン

• RQ1 複数の時系列を同時に観測する状況で、多変数非線形性を信頼性高く検出できるか？
• RQ2 冗長性指標を多変数系に適応させ、特定の非線形依存構造を検出するにはどうすればよいか？
• RQ3 不完全なサーロー・データが多変数設定で非線形性の誤検出を引き起こす程度はどの程度か？
• RQ4 本手法は、現実の多変数時系列データにおいて、線形確率過程と非線形ダイナミクスを区別できるか？
• RQ5 冗長性に基づくサーロー・データ手法は、気象的・生理的時系列のような複雑なシステムにおける非線形性検出にどの程度有効か？

主な発見

• 既知の非線形構造を持つ数値的に生成された多変数時系列において、本手法は非線形ダイナミクスを高統計的パワーで正しく検出できた。
• 線形冗長性指標の使用により、不完全なサーロー・データが引き起こす誤検出が顕著に低減され、検定の信頼性が向上した。
• 生理的データ（例：心拍数と血圧）において、線形モデルでは捉えきれない非線形相互依存性が同定された。
• 気象的データにおいて、大気の変数間の非線形結合が明らかになった。これは、地球物理学的システムへの応用可能性を裏付けている。
• 本手法は、シミュレーションデータおよび現実の時系列データを含む、さまざまなタイプの多変数データに対して頑健であることが示された。
• 結果から、多変数冗長性分析とサーロー検定を組み合わせた手法が、複雑なシステムにおける非線形構造検出に強力なツールであることが確認された。