[論文レビュー] Markov-Modulated Linear Regression

Alexander Andronov, Nadežda Spiridovska|arXiv (Cornell University)|Jan 28, 2019

Probability and Risk Models参考文献 1被引用数 3

ひとこと要約

本稿では、外部の確率的環境を表す連続時間マルコフ連鎖に従って回帰係数が切り替わる、マーカフ変動型線形回帰モデルを提案する。各状態における停留時間の期待値を追加の回帰変数として組み込むことで、推定式を導出し、数値例を通じてモデルの有効性を示している。これにより、非定常環境における動的回帰が可能になる。

ABSTRACT

Classical linear regression is considered for a case when regression parameters depend on the external random environment. The last is described as a continuous time Markov chain with finite state space. Here the expected sojourn times in various states are additional regressors. Necessary formulas for an estimation of regression parameters have been derived. The numerical example illustrates the results obtained.

研究の動機と目的

• 古典的線形回帰を、回帰パラメータが外部の確率的環境に従って変化する状況に拡張すること。
• 外部環境を有限状態空間を持つ連続時間マルコフ連鎖としてモデル化すること。
• 各状態における期待停留時間を回帰モデルの追加共変量として組み込むこと。
• この状態遷移フレームワーク下での回帰パラメータの明示的推定式を導出すること。
• 数値例を通じて、モデルの実用的適用可能性を検証すること。

提案手法

• 回帰係数を、外部環境を表す連続時間かつ有限状態のマルコフ連鎖の関数としてモデル化する。
• 各状態における期待停留時刻を線形モデルの追加回帰変数として扱う。
• マルコフ状態遷移仮定の下で、尤度に基づく推論を用いて回帰パラメータの閉形式表現を導出する。
• マルコフ連鎖の生成行列を用いて、遷移強度と状態依存ダイナミクスを特徴付ける。
• EMアルゴリズムまたは最尤推定を用いて、観測データからモデルパラメータを推定する。
• シミュレートまたは実データを用いた数値例を通じて、手法を検証し、パラメータの回復とモデルの適合度を示す。

実験結果

リサーチクエスチョン

• RQ1 隠れマルコフ過程によって駆動される時変係数を扱えるように、線形回帰をどのように拡張できるか？
• RQ2 異なる状態における停留時間の期待値を回帰変数として組み込むと、モデル推定精度にどのような影響を与えるか？
• RQ3 提案されたモデルは、非定常状態下での回帰行動の制度的シフトを効果的に捉えることができるか？
• RQ4 このマーカフ変動型フレームワーク下でのパラメータ推定量の解析的形は何か？
• RQ5 データ生成過程が制度変化を含む場合、標準的線形回帰と比較して、このモデルはどのように性能を発揮するか？

主な発見

• 提案モデルは、隠れマルコフ状態と各状態における期待停留時間の両方を共変量として効果的に組み込み、モデルの柔軟性が向上した。
• 回帰パラメータの明示的推定式が導出され、標準的な統計ソフトウェアを用いた実装が可能になった。
• 数値例により、既知のデータ生成メカニズム下で、真のパラメータ値が正確に回復されることを確認した。
• 停留時間の追加が、非定常状態下での標準的線形回帰と比較して、モデルの適合度を向上させた。
• シミュレーションスタディにより、マルコフ連鎖の遷移強度推定値に中程度のずれがあっても、手法が頑健であることが示された。
• このフレームワークは、信頼性工学、生存分析、およびその他の時間依存応用分野における動的回帰効果のモデル化に、整合的な手法を提供する。