[論文レビュー] Fast and Robust Parametric Estimation for Time Series and Spatial Models

Stéphane Guerrier, Roberto Molinari|arXiv (Cornell University)|Jul 20, 2016

Advanced Statistical Methods and Models参考文献 54被引用数 4

ひとこと要約

本稿では、第二順序自己回帰的定常時系列および空間モデルのための、計算的に効率的で数値的に安定なロバストなパrametric推定フレームワーク、ロバスト一般化ウェーブレットモーメント法（RGMWM）を提案する。ウェーブレット分散のM推定量を用いることで、外れ値の影響を効果的に制限し、汚染状況下でも標準的手法を上回る性能を示す一方で、強い漸近的性質を維持し、複雑なモデルに対しても計算可能性を保つ。

ABSTRACT

We present a new framework for robust estimation and inference on second-order stationary time series and random fields. This framework is based on the Generalized Method of Wavelet Moments which uses the wavelet variance to achieve parameter estimation for complex models. Using an M-estimator of the wavelet variance, this method can be made robust therefore allowing to estimate the parameters of a wide range of time series and spatial models when the data suffers from outliers or different forms of contamination. The paper presents a series of simulation studies as well as a range of applications where this new approach can be considered as a computationally efficient, numerically stable and robust method which performs at least as well as existing methods in bounding the influence of outliers on the estimation procedure.

研究の動機と目的

• データの汚染下において、ロバストで計算的に効率的かつ数値的に安定した時系列および空間モデルのパrametric推定手法の不足を解消すること。
• 一般化ウェーブレットモーメント法（GMWM）を確率的場に拡張し、内在的定常過程におけるロバストな推論を可能にすること。
• 大規模な標本サイズや複雑なモデルに対しても、統計的効率性と計算の実行可能性を維持する統一フレームワークを提供すること。
• 従来の推定量（GMM や MLE）の限界を克服すること。これらはしばしば補助的パrameter選択を要したり、高次元設定で数値的不安定性を示すことがある。

提案手法

• 本手法は、時系列および空間モデルの両方において、ウェーブレット分散（WV）を補助統計量として用いることで、GMWMフレームワークを確率的場に拡張する。
• 外れ値や汚染に対するロバスト性を達成するために、ウェーブレット分散のM推定量を採用し、極端な観測値の影響を有界に保つ。
• M推定量のウェーブレット分散は、正規性の仮定を必要とせず、一貫性、同時漸近正規性、およびロバスト性を備えているため選択された。
• パrameter推定は、実証的ウェーブレット分散と理論的ウェーブレット分散の重み付き差の最小化により、最小距離推定法を用いて行う。
• 信頼区間は、Guerrierら（2013）の手法に従い、推定量の漸近的分布を用いて構築する。
• 本手法は、時系列および空間モデル、特に潜在的過程やSARIMA、指数型共分散構造を含む複合モデルへの応用が可能である。

実験結果

リサーチクエスチョン

• RQ1 GMWMフレームワークを空間モデルおよび内在的定常確率的場にロバストに拡張できるか？
• RQ2 標準的手法と比較して、RGMWMは汚染状況下において推定精度、計算効率、数値的安定性の観点でどの程度優れているか？
• RQ3 従属データ設定下で、ウェーブレット分散のM推定量を用いることで、外れ値の影響がどの程度低減されるか？
• RQ4 正規性から逸脱するデータや構造的異常を含む状況下でも、RGMWMは強い漸近的性質と信頼性のある推論を維持できるか？
• RQ5 大規模な標本サイズを伴う複雑なモデル、例えば潜在的時系列や空間確率的場に対しても、RGMWMは信頼性のあるパrameter推定を提供できるか？

主な発見

• RGMWM推定量は、特に汚染されたデータ状況下で、既存のロバスト手法と同等またはそれ以上の外れ値の影響の抑制を示した。
• 雲画像データにおいて、第4領域ではRGMWMが偏りの大きい分散パラメータσ²を1.063×10⁻²として推定したのに対し、GMWM推定値は3.615×10⁻²であった。これは、分散の過大推定が低減されたことを示している。
• 第3領域では、RGMWMがσ²を1.096×10⁻²と推定したのに対し、GMWMでは3.436×10⁻²であった。これは、分散の過大推定が一貫して低減されていることを示している。
• 範囲パラメータφは、両手法ともすべての領域で一貫して推定され、95％信頼区間が重複しており、スケール推定のロバスト性が裏付けられている。
• 本手法は、大規模な空間データセットに対しても高い計算効率と数値的安定性を示し、MLE や GMM と比較して、複雑なモデルへの適用可能性において優れた性能を発揮した。
• ウェーブレット分散のM推定量の漸近的性質がRGMWMに適切に伝播され、有効な推論と信頼区間の構築が可能となった。