[論文レビュー] Poisson QMLE for change-point detection in general integer-valued time series models

Mamadou Lamine Diop, William Kengne|arXiv (Cornell University)|Jul 27, 2020

Advanced Statistical Process Monitoring参考文献 31被引用数 7

ひとこと要約

本稿では、一般の整数値時系列における構造的変化点を検出するためのポアソン準最尤推定量（PQMLE）に基づく手法を提案する。この手法は、後向きおよび逐次的フレームワークの両方で適用可能であり、帰無仮説（変化なし）の下で統計量がブラウン運動から導かれる分布に収束し、対立仮説の下で無限大に発散するため、両設定において検出手順の一貫性が保証される。

ABSTRACT

We consider together the retrospective and the sequential change-point detection in a general class of integer-valued time series. The conditional mean of the process depends on a parameter $\ heta^*$ which may change over time. We propose procedures which are based on the Poisson quasi-maximum likelihood estimator of the parameter, and where the updated estimator is computed without the historical observations in the sequential framework. For both the retrospective and the sequential detection, the test statistics converge to some distributions obtained from the standard Brownian motion under the null hypothesis of no change and diverge to infinity under the alternative; that is, these procedures are consistent. Some results of simulations as well as real data application are provided.

研究の動機と目的

• 条件付き平均が時変パラメータに依存する一般の整数値時系列モデルに対して、一貫性のある構造的変化点検出手順を開発すること。
• パラメトリックな条件付き分布に関する制限のない半パラメトリックな設定下で、後向きおよび逐次的検出フレームワークを同時に扱うこと。
• 弱い正則性条件の下で、ポアソン準最尤推定量（PQMLE）を用いることで、提案手法が一貫性を維持することを保証すること。
• 履歴観測値を再利用しないで推定量を逐次更新することで、逐次的設定における検出効率を向上させ、変化検出の遅延を低減すること。

提案手法

• 本手法は、観測駆動型整数値時系列モデルにおけるモデルパラメータ θ* の推定にポアソン準最尤推定量（PQMLE）を用いる。
• 後向き検出では、データの異なるセグメントにおけるPQMLEに基づいて統計量を構築し、帰無仮説（変化なし）の下での漸近的分布を導出する。
• 逐次的フレームワークでは、履歴データを再利用せずに推定量を再帰的に更新することで、リアルタイムでの変化検出が可能となり、遅延性能が向上する。
• 統計量はスケーリング関数 b(s) を用いて正規化され、帰無仮説の下で標準ブラウン運動の関数への分布収束が示される。
• 手順は弱い混合性および条件付き平均関数 fθ に対するリプシッツ型正則性条件に依存し、PQMLEの漸近的安定性を保証する。
• 漸近的理論はマルティングルの中心極限定理およびCramèr-Woldの定理を用いて確立され、帰無仮説の下での分布収束と対立仮説の下での無限大への発散を証明する。

実験結果

リサーチクエスチョン

• RQ1 条件付き分布の完全な知識が得られない状況下でも、PQMLEに基づくアプローチが一般の整数値時系列における構造的変化点を一貫して検出可能か？
• RQ2 帰無仮説（変化なし）の下で、後向き検出手順の性能はどのように振る舞い、その極限分布は何か？
• RQ3 変化点が存在する場合、逐次的検出手順の漸近的挙動はどのようになるか？また、対立仮説の下で無限大に発散することをどのように保証するか？
• RQ4 履歴観測値を更新された推定量から除外することで、逐次的検出における検出遅延を改善できるか？

主な発見

• 後向きおよび逐次的検出の両方において、帰無仮説（構造的変化なし）の下で統計量は標準ブラウン運動の関数への分布収束を示す。
• 対立仮説（すなわち、変化点が存在する場合）の下では、統計量はほとんど確実に無限大に発散し、検出手順の一貫性が保証される。
• 履歴観測値を用いないでPQMLEを逐次更新する逐次的検出手法は、δ ∈ (1/2, 1) の場合に定理4.3で形式的に示されるように、検出遅延の改善を達成する。
• 統計量の漸近的分布は、Cramèr-Woldの定理およびマルティングル中心極限定理を用いて導出され、fθ に対する弱い混合性および滑らかさの条件に依存する。
• 本手法はモデルの誤指定に対してもロバストである。なぜなら、PQMLEは真の分布がポアソンでない場合でも、弱い正則性条件の下で一貫性を保つからである。
• シミュレーション結果および実データ応用により、本手法の経験的妥当性と、カウントデータにおける構造的変化点検出への実用的有用性が確認された。