[論文レビュー] How to estimate time-varying Vector Autoregressive Models? A comparison of two methods

Jonas M B Haslbeck, Laura F. Bringmann+1 more|arXiv (Cornell University)|Nov 14, 2017

Mental Health Research Topics参考文献 31被引用数 13

ひとこと要約

この論文は、時変動係数を持つベクトル自己回帰（TV-VAR）モデルを推定する2つの手法—スプライン法とカーネルスムージング法—を比較している。シミュレーションと実用的チュートリアルを通じて、両手法が個別レベルの時系列データにおける非定常的ダイナミクスを捉える点で定常VARモデルを上回ることを示しており、有限標本ではカーネルスムージング法がわずかに優れた性能を示している。

ABSTRACT

The ubiquity of mobile devices led to a surge in intensive longitudinal (or time series) data of individuals. This is an exciting development because personalized models both naturally tackle the issue of heterogeneities between people and increase the validity of models for applications. A popular model for time series is the Vector Autoregressive (VAR) model, in which each variable is modeled as a linear function of all variables at previous time points. A key assumption of this model is that the parameters of the true data generating model are constant (or stationary) across time. The most straightforward way to check for time-varying parameters is to fit a model that allows for time-varying parameters. In the present paper we compare two methods to estimate time-varying VAR models: the first method uses a spline-approach to allow for time-varying parameters, the second uses kernel-smoothing. We report the performance of both methods and their stationary counterparts in an extensive simulation study that reflects the situations typically encountered in practice. We compare the performance of stationary and time-varying models and discuss the theoretical characteristics of all methods in the light of the simulation results. In addition, we provide a step-by-step tutorial for both methods showing how to estimate a time-varying VAR model on an openly available individual time series dataset.

研究の動機と目的

• 個別レベルの時系列データにおける時間的変動ダイナミクスを捉えるのに定常VARモデルが持つ限界を解消すること。
• 現実的なシミュレーション条件下で、スプラインベースとカーネルスムージングの2つの時変動VAR推定手法の性能を評価すること。
• オープンソースツールを用いて、実際の個別レベルデータに時変動VARモデルを適用するための実用的で段階的なチュートリアルを提供すること。
• インテンシブ・ロングリチューダル・データの文脈において、時変動VARモデルと定常VARモデルの理論的・実証的性質を比較すること。

提案手法

• スプライン法は、Bスプラインを用いて時変動係数をモデル化し、時間にわたる滑らかで区分的多項式推定を可能にする。
• カーネルスムージング法は、カーネル関数を用いて過去の観測値に重みを付けて時変動係数を推定するが、バンド幅の選択が性能に大きく影響する。
• 両手法とも個別レベルの時系列データに適用され、最尤推定または制限付き最尤推定を用いてモデルフィッティングが行われる。
• シミュレーション研究では、小標本サイズ、非定常性、異分散性といったインテンシブ・ロングリチューダル・データの一般的な特徴を再現している。
• 実世界のデータセットをオープンアクセスリポジトリから取得し、両手法の実装を実際の応用で示している。
• パラメータ推定の平均二乗誤差や予測精度といった基準を用いて、モデルの性能を評価している。

実験結果

リサーチクエスチョン

• RQ1 現実的なデータ条件下で、スプラインベース手法とカーネルスムージング手法は、時変動VARモデルの推定においてどのように比較されるか？
• RQ2 真のデータ生成過程に時間的変動係数が存在する場合、時変動VARモデルは定常VARモデルに比べて非定常的ダイナミクスをどの程度改善して捉えることができるか？
• RQ3 有限標本において、スプライン法とカーネル法のどちらがより正確で安定したパラメータ推定をもたらすか？
• RQ4 各手法の理論的性質は、シミュレーションにおける実証的性能とどの程度整合しているか？
• RQ5 実際の個別レベルデータに時変動VARモデルを実装するための実用的ステップは何か？

主な発見

• カーネルスムージング法は、特に小標本から中程度の標本サイズにおいて、パラメータ推定の正確性においてスプラインベース手法を一般に上回った。
• 真のデータ生成過程に時間的変動係数が存在する場合、時変動VARモデルは定常VARモデルに比べて予測誤差を顕著に低減した。
• スプラインベース手法は、高ノイズと低標本サイズ下でパラメータ推定のばらつきが大きかったが、滑らかな係数推定軌跡を提供した。
• 両手法とも、定常VARモデルが見逃す非定常性を検出でき、個別に異なるデータの文脈でモデルの適合度と妥当性を向上させた。
• シミュレーション結果は、時間的変動ダイナミクスを無視すると偏りのあるパラメータ推定と劣った予測性能が生じることを確認した。
• チュートリアルでは、両手法が標準的な統計ソフトウェアで実装可能であることが示され、バンド幅とノットの選択に関する明確なガイダンスが提供された。