[論文レビュー] Multiscale Jump Testing and Estimation Under Complex Temporal Dynamics

Weichi Wu, Zhou Zhou|arXiv (Cornell University)|Sep 13, 2019

Complex Systems and Time Series Analysis参考文献 78被引用数 7

ひとこと要約

本稿では、トレンドおよび共分散構造に滑らかでかつ急激な変化が生じる非定常時系列に対して、複数スケールのジャンプ検出および推定手法を提案する。密度的なスケール範囲にわたって最適なジャンプ・パスフィルタを適用することで、緩和された条件下でも、ジャンプ数が発散し、ジャンプサイズが小さくなる場合でさえ、すべてのジャンプ点を漸近的に完全に検出可能であり、計算複雑性は $O(nackslash\log^{1+\epsilon}n)$ である。

ABSTRACT

We consider the problem of detecting jumps in an otherwise smoothly evolving trend whilst the covariance and higher-order structures of the system can experience both smooth and abrupt changes over time. The number of jump points is allowed to diverge to infinity with the jump sizes possibly shrinking to zero. The method is based on a multiscale application of an optimal jump-pass filter to the time series, where the scales are dense between admissible lower and upper bounds. For a wide class of non-stationary time series models and trend functions, the proposed method is shown to be able to detect all jump points within a nearly optimal range with a prescribed probability asymptotically under mild conditions. For a time series of length $n$, the computational complexity of the proposed method is $O(n)$ for each scale and $O(n\log^{1+ε} n)$ overall, where $ε$ is an arbitrarily small positive constant. Numerical studies show that the proposed jump testing and estimation method performs robustly and accurately under complex temporal dynamics.

研究の動機と目的

• トレンドおよび共分散構造が時間とともに滑らかでかつ急激に変化する時系列のジャンプ点を検出および推定すること。
• ジャンプ数が発散し、個々のジャンプサイズが0に近づいても、緩和された正則性条件の下で処理可能であること。
• すべてのジャンプ点を検出する際に、証明可能な漸近的整合性を有する計算効率の良い手法を開発すること。
• 密度的なスケールにわたる最適なジャンプ・パスフィルタのマルチスケール適用により、最適な推定精度を確保すること。

提案手法

• 本手法は、時系列 $y_{i,n}$ に対して最適なジャンプ・パスフィルタ $W(x)$ を複数スケールにわたってマルチスケールで適用する。フィルタはジャンプ点に対して強く反応し、滑らかな領域に対しては弱く反応するように設計されている。
• フィルタは下限と上限の間の密度的なスケール範囲 $s$ で複数回適用され、スケール間での検出安定性を確保するための正規化が施されている。
• 検出統計量は、各時刻およびスケールにおけるフィルタの正規化された適用から構築され、ジャンプ候補のロバストな同定を可能にする。
• 局所的な CUSUM 型手順を活用することで、小さなジャンプへの感度を高めつつ、誤検出の制御を維持している。
• 理論的分析により、指定された漸近的確率のもとで、ほぼ最適な範囲内にすべてのジャンプ点を検出可能であることが確立されている。
• アルゴリズム的最適化により計算効率が確保され、スケールごとに $O(n)$ の複雑性を達成し、全体で $O(n\backslash\log^{1+\epsilon}n)$ となる。ここで $\epsilon > 0$ は任意に小さい。

実験結果

リサーチクエスチョン

• RQ1 トレンドおよび共分散構造が滑らかでかつ急激に変化する非定常時系列において、マルチスケールフィルタリング手法がすべてのジャンプ点を検出可能か？
• RQ2 ジャンプ数が発散し、個々のジャンプサイズが0に近づいても、一貫して検出可能となるために必要な最小限の条件は何か？
• RQ3 複雑な時系列ダイナミクス下で、本手法は既存のジャンプ検出技術と比較してどのように性能を発揮するか？
• RQ4 本手法の計算複雑性は何か？また、大規模時系列に効率的にスケーリング可能か？

主な発見

• 緩和された正則性条件の下で、時間系列および誤差構造に著しい変化が生じる中でも、すべてのジャンプ点を漸近的に完全に検出可能である。
• ジャンプ数 $m_n$ は無限大に発散しても、個々のジャンプサイズが0に近づいても、検出精度に影響を及ぼさない。
• 任意に小さい $\epsilon > 0$ に対して、本手法の計算複雑性は $O(n\backslash\log^{1+\epsilon}n)$ であり、$n$ が大きくなってもスケーラブルである。
• 数値的実験により、共分散構造や高次モーメントにおける滑らかでかつ急激な変化を伴う複雑な時系列ダイナミクス下でも、本手法のロバスト性および精度が確認された。
• 最適なジャンプ・パスフィルタの使用により、さまざまな時系列パターンにおいてジャンプへの高い感度と、誤検出の最小限化が達成された。