[論文レビュー] Helping Effects Against Curse of Dimensionality in Threshold Factor Models for Matrix Time Series

Xialu Liu, Elynn Chen|arXiv (Cornell University)|Apr 16, 2019

Neural Networks and Applications被引用数 8

ひとこと要約

本稿は、レジームスイッチング負荷係数を用いて行方向および列方向の次元を同時に低減することで、行列値の高次元時系列に対するしきい値因子モデルを提案する。主な貢献は、強力なしきい値処理とレジーム間での因子効果が併せて次元の呪いを緩和できることを示したことである。これにより、次元が増加しても一貫した推定が可能となり、因子数の過大推定に対してもロバストであることが保証される。

ABSTRACT

As is known, factor analysis is a popular method to reduce dimension for high-dimensional data. For matrix data, the dimension reduction can be more effectively achieved through both row and column directions. In this paper, we introduce a threshold factor models to analyze matrix-valued high-dimensional time series data. The factor loadings are allowed to switch between regimes, controlling by a threshold variable. The estimation methods for loading spaces, threshold value, and the number of factors are proposed. The asymptotic properties of these estimators are investigated. Not only the strengths of thresholding and factors, but also their interactions from different directions and different regimes play an important role on the estimation performance. When the thresholding and factors are all strong across regimes, the estimation is immune to the impact that the increase of dimension brings, which breaks the curse of dimensionality. When the thresholding in two directions and factors across regimes have different levels of strength, we show that estimators for loadings and threshold value experience 'helping' effects against the curse of dimensionality. We also discover that even when the numbers of factors are overestimated, the estimators are still consistent. The proposed methods are illustrated with both simulated and real examples.

研究の動機と目的

• 行列値の高次元時系列における次元の呪いを、行方向および列方向の両方の構造的次元削減を活用することで解消すること。
• しきい値変数を用いて因子負荷係数のレジームスイッチング行動をモデル化し、多次元時系列の非線形ダイナミクスを捉えること。
• 高次元漸近的枠組み下で、負荷空間、しきい値、因子数の推定手順を一貫して開発すること。
• 推定性能を決定づける要因として、レジーム間におけるしきい値処理の強さと因子の強さの相互作用を解明すること。
• 高次元設定における実用的課題としての因子数の過大推定に対する推定量のロバスト性を実証すること。

提案手法

• 行列変数のしきい値因子モデルを提案：$\mathbf{X}_t = \mathbf{R} \mathbf{F}_t \mathbf{C}' + \mathbf{E}_t$ で、因子負荷係数がしきい値変数に基づいてレジームを切り替える。
• しきい値構造に適合した、行方向および列方向のデータを統合的に用いた主成分分析により、負荷空間 $\mathbf{R}$ および $\mathbf{C}$ を推定する。
• 2段階推定手順を構築：まず候補しきい値のグリッドサーチによりしきい値を推定し、次にそのしきい値を条件として因子空間を推定する。
• 次元およびサンプルサイズが増加する漸近的理論を用いて、負荷係数、しきい値、因子数の推定量の一致性および収束速度を導出する。
• 因子数の選択にペナルティベースの基準を導入し、因子数が過大推定されても一貫性が保証されることを示す。
• スペクトルノルムおよび固有値ギャップ解析を用いて、弱いおよび強い因子／負荷係数仮定下で推定誤差の一様制御を確立する。

実験結果

リサーチクエスチョン

• RQ1 行方向および列方向におけるしきい値処理が、行列時系列における次元の呪いを併合的に緩和できるか？
• RQ2 異なるレジームにおけるしきい値処理と因子の相対的強さが、推定精度および一貫性に与える影響は何か？
• RQ3 高次元設定下で因子数が過大推定された場合、推定量の性能はどのように変化するか？
• RQ4 しきい値処理と因子強度の相互作用が、推定のロバスト性を向上させる「助け合い効果」を生じる条件は何か？
• RQ5 次元 $p_1 \times p_2$ がサンプルサイズ $T$ と共に増加する状況でも、しきい値の推定値および負荷空間の推定が一貫して達成可能か？

主な発見

• すべてのレジームでしきい値処理と因子効果が強い場合、推定は次元の呪いに対して完全にロバストとなり、$p_1$ および $p_2$ が増加しても一貫した推定が達成される。
• レジーム間でしきい値処理と因子の強さが混合している場合、「助け合い効果」が生じる：強い成分が他のレジームの弱い成分の推定を改善し、有効次元を低減する。
• 因子数が過大推定されても、負荷空間およびしきい値の推定量は一貫性を保ち、モデルの誤指定に対してもロバストであることが示された。
• 弱い依存性およびモーメント条件の下で、しきい値推定量の漸近的分布が導出され、真の値に近い場合に $O_p(\epsilon^2)$ の速度で収束することが示された。
• 推定された負荷空間のスペクトルノルムは、$p_1^{2 - \delta_{11} - \delta_{12}} p_2^{2 - \delta_{21} - \delta_{22}}$ に依存する速度で真の空間に一様に収束し、強い因子およびしきい値処理の条件下では有界である。
• 多国籍マクロ経済データへの実応用により、モデルが構造的シフトを的確に捉え、標準的因子モデルに比べて予測精度が向上することを確認した。