[論文レビュー] Factor modelling for high-dimensional functional time series

Shaojun Guo, Xinghao Qiao+2 more|arXiv (Cornell University)|Dec 27, 2021

Statistical Methods and Inference被引用数 6

ひとこと要約

本稿は、重み付き自己共分散作用素の固有値解析を活用して、潜在的要因と負荷を推定する、高次元関数時系列のための新規な機能的要因モデルを提案する。この手法は、関数的および動的構造を保持しながら次元削減を達成する。重み行列を組み込むことで推定の効率性とスパarsity誘導正則化を実現し、シミュレーションおよび英国の気温と日本の死亡率データへの実世界応用において、他の手法を上回る性能を示す。

ABSTRACT

Many economic and scientific problems involve the analysis of high-dimensional functional time series, where the number of functional variables $p$ diverges as the number of serially dependent observations $n$ increases. In this paper, we present a novel functional factor model for high-dimensional functional time series that maintains and makes use of the functional and dynamic structure to achieve great dimension reduction and find the latent factor structure. To estimate the number of functional factors and the factor loadings, we propose a fully functional estimation procedure based on an eigenanalysis for a nonnegative definite and symmetric matrix. Our proposal involves a weight matrix to improve the estimation efficiency and tackle the issue of heterogeneity, the rationale of which is illustrated by formulating the estimation from a novel regression perspective. Asymptotic properties of the proposed method are studied when $p$ diverges at some polynomial rate as $n$ increases. To provide a parsimonious model and enhance interpretability for near-zero factor loadings, we impose sparsity assumptions on the factor loading space and then develop a regularized estimation procedure with theoretical guarantees when $p$ grows exponentially fast relative to $n.$ Finally, we demonstrate that our proposed estimators significantly outperform the competing methods through both simulations and applications to a U.K. temperature data set and a Japanese mortality data set.

研究の動機と目的

• 曲線数 $ p $ が時系列点数 $ n $ と同時に増加する高次元関数時系列のモデリングという課題に対処すること。
• データの関数的および系列的依存構造を保持しつつ、効果的な次元削減を可能にする要因モデルの開発。
• 推定の効率性を高めるために重み行列を用いた完全な関数的固有値解析に基づくアプローチにより、機能的要因の数と要因負荷を推定すること。
• 特に $ p $ が $ n $ に対して指数関数的に増加する場合に、要因負荷空間におけるスパarsityを組み込むことで解釈可能性を向上させ、近似的にゼロの負荷を処理すること。
• 高次元漸近的条件下で、提案された正則化推定手順に対する理論的保証を提供すること。

提案手法

• 関数的要因モデルを提案：$ \mathbf{Y}_t(\cdot) = \mathbf{A} \mathbf{X}_t(\cdot) + \boldsymbol{\varepsilon}_t(\cdot) $、ここで $ \mathbf{X}_t(\cdot) $ は潜在的関数的要因、$ \boldsymbol{\varepsilon}_t(\cdot) $ はホワイトノイズ。
• 推定の効率性を高め、異質性に対処するために、自己共分散作用素の固有値解析に重み行列を導入。
• 重み行列の使用を正当化するため、新しい回帰的視点から推定手順を導出。
• 重み付き自己共分散から得られる非負定値行列の固有値解析を用いて、要因の数と要因負荷を推定。
• 要因負荷空間におけるスパarsityを誘導するために、正則化を施したスパース主成分分析を適用し、解釈可能性を向上。
• 高次元漸近的条件下で、一貫性および収束速度の理論的保証を確立。$ p $ は $ n $ に対して多項式的または指数関数的に発散する。

実験結果

リサーチクエスチョン

• RQ1 高次元関数時系列の潜在的動的構造を、関数的および時間的依存性を保持したまま、どのように効果的に抽出できるか？
• RQ2 $ n \to \infty $ のとき $ p \to \infty $ となる状況で、機能的要因の数とその負荷を最適に推定する方法は何か？
• RQ3 重み行列は、関数的要因モデルにおける推定の効率性をどのように向上させ、異質性を処理するか？
• RQ4 $ p $ が $ n $ に対して指数関数的に増加する場合、提案手法の推定器の理論的性能はいかなるものか？
• RQ5 実世界の応用において、推定精度と解釈可能性の観点から、既存手法と比較して本手法はどのように優れているか？

主な発見

• 提案手法は、$ p $ が急速に増加する高次元設定において、他の手法を著しく上回る性能を示す。
• 重み行列の使用により、特に関数的曲線間の異質性が顕著な状況でも、より高い推定効率が達成される。
• 理論的結果から、$ p $ が $ n $ に対して多項式的または指数関数的に発散する高次元漸近的条件下でも、推定器が一貫性を示し、最適な収束速度を達成することが示された。
• 正則化推定手順により、要因負荷空間にスパarsityが効果的に誘導され、近似的にゼロの負荷を特定することで解釈可能性が向上した。
• 英国の気温および日本の死亡率データへの実応用から、モデルが意味のある潜在的ダイナミクスを捉え、正確な予測を可能にすることが示された。
• 負荷の空間的ヒートマップから、死亡率トレンドにおける解釈可能な地域的パターンが明らかとなり、モデルの実用的有用性が裏付けられた。