[論文レビュー] Multiple Change Point Detection and Validation in Autoregressive Time Series Data

Lijing Ma, Andrew J. Grant+1 more|arXiv (Cornell University)|Nov 12, 2019

Spectroscopy and Chemometric Analyses参考文献 28被引用数 2

ひとこと要約

本稿では、尤度比スキャン統計量とスペクトル識別、多重仮説検定補正を組み合わせることで、自己回帰時系列における複数の変化点を検出する新規手法MCP2を提案する。MCP2は、特に複数のシフトを伴う複雑な区分定常モデルにおいて、変化点の数と位置の両方においてLRSMおよびWBSを上回る性能を発揮する。

ABSTRACT

Abstract: It is quite common that the structure of a time series changes abruptly. Identifying these change points and describing the model structure in the segments between these change points is of interest. In this paper, time series data is modelled assuming each segment is an autoregressive time series with possibly different autoregressive parameters. This is achieved using two main steps. The first step is to use a likelihood ratio scan based estimation technique to identify these potential change points to segment the time series. Once these potential change points are identified, modified parametric spectral discrimination tests are used to validate the proposed segments. A numerical study is conducted to demonstrate the performance of the proposed method across various scenarios and compared against other contemporary techniques.

研究の動機と目的

• モデルのパラメータが急激に変化する区分定常自己回帰時系列における複数の変化点を検出する課題に対処すること。
• 二分法的手法やWBSのような既存手法の限界を克服すること。これらは多重仮説検定の問題と短いセグメントにおける検出性能の低さに起因する。
• 過剰推定、検証、および誤り発見率（FDR）制御を統合したボトムアップ型セグメンテーションアプローチを開発し、精度と頑健性を向上させること。
• 時系列依存性を考慮し、多重変化点検出における第一種誤りを制御する統計的に厳密なフレームワークを提供すること。

提案手法

• 文献[30]の尤度比スキャン法（LRSM）を適用し、一時的な過剰推定された変化点の集合を生成する。
• 修正されたパラメトリックスペクトル識別検定を用いて、誤って検出された変化点を検証および除外する。
• 二段階の多重仮説検定補正を実装する：Benjamini-Hochberg（BH）およびボンフェローニ補正済みp値を用いて誤り発見率（FDR）を制御する。
• ボトムアップ戦略を採用する：過剰推定された変化点から出発し、統計的検証に基づいて反復的に偽陽性を削除する。
• 感度と計算効率のバランスを図るため、スキャンウィンドウサイズh = max{50, log(n)}を採用する。
• すべての要素を統合した三段階の手続きを構築する：(1) 候補のスキャン、(2) スペクトル検定による検証、(3) 多重仮説検定補正。

実験結果

リサーチクエスチョン

• RQ1 提案手法MCP2は、区分自己回帰時系列における正しい変化点の数と位置をどの程度正確に検出できるか？
• RQ2 さまざまなデータ条件下での推定精度および頑健性に関して、MCP2はLRSMおよびWBSと比較してどの程度優れているか？
• RQ3 スペクトル識別とFDR補正を統合することで、多重変化点検出における偽陽性はどの程度低減されるか？
• RQ4 従来の二分法的手法が見逃しがちな短いセグメントを、本手法は信頼性を持って検出できるか？

主な発見

• MCP2は、すべてのシミュレーション設定において、変化点の正しい数を推定する精度が最も高く、特に3つの変化点を含むモデルで顕著な優位性を示した。
• 変化点の位置検出において、MCP2はWBSを上回り、複雑なモデルにおける第二の変化点を特定する点でLRSMと同等またはそれを上回った。
• MCP2におけるBH手順はボンフェローニ補正よりも保守的でなく、FDR制御を維持しつつも、より高い検出力（検出能力）を発揮した。
• 実データ解析において、MCP2はWBSが見逃した生理時系列（BabyECG）の短いセグメントを正しく同定し、感度の向上を示した。
• 月次IBM株式リターンの分析では、MCP2-BHは1994年および2002年の2つの変化点を検出しており、LRSMの1987年および2002年の結果とよく一致し、金融データにおける頑健性を示した。
• 推定された変化点の可視化図から、MCP2はLRSMおよびWBSと比較して過剰セグメンテーションが低減しており、推定行動の解釈性が向上していることが明らかになった。