[論文レビュー] Trend and Variance Adaptive Bayesian Changepoint Analysis & Local Outlier Scoring

Haoxuan Wu, David S. Matteson+1 more|arXiv (Cornell University)|Nov 18, 2020

Monetary Policy and Economic Impact参考文献 42被引用数 4

ひとこと要約

本稿では、確率的ボラティリティを伴う時系列における変化点と局所的外れ値を同時に検出する、新たなベイジアン状態空間モデルである適応的ベイジアン変化点検出法（ABCO）を提案する。グローバルローカル縮約事前分布としきい値付き確率的ボラティリティを統合することで、ABCOはトレンド、外れ値、不均一分散ノイズを適応的にモデル化し、複雑で非定常なデータに顕著な外れ値や分散の変化が存在するシミュレーションおよび実世界の応用において、既存手法を上回る性能を発揮する。

ABSTRACT

We adaptively estimate both changepoints and local outlier processes in a Bayesian dynamic linear model with global-local shrinkage priors in a novel model we call Adaptive Bayesian Changepoints with Outliers (ABCO). We utilize a state-space approach to identify a dynamic signal in the presence of outliers and measurement error with stochastic volatility. We find that global state equation parameters are inadequate for most real applications and we include local parameters to track noise at each time-step. This setup provides a flexible framework to detect unspecified changepoints in complex series, such as those with large interruptions in local trends, with robustness to outliers and heteroskedastic noise. Finally, we compare our algorithm against several alternatives to demonstrate its efficacy in diverse simulation scenarios and two empirical examples on the U.S. economy.

研究の動機と目的

• 複雑で非定常な挙動を示す時系列における変化点と局所的外れ値を検出する、頑健で適応的なベイジアンフレームワークの構築を目的とする。
• 実世界の応用において性能が低下する外れ値や不均一分散ノイズに対処できない既存の変化点手法の限界を克服することを目的とする。
• 動的トレンドモデリングと不確実性の定量化、外れ値スコアリングを組み合わせることで、ベイジアン変化点解析を拡張することを目的とする。
• 干渉点における構造的変化のモデルベース推論、特に干渉効果の大きさ推定を可能にすることを目的とする。
• 縮約事前分布と状態空間モデリングを組み合わせることで、ブラックボックス型ディープラーニング手法の柔軟で解釈可能な代替手段を提供することを目的とする。

提案手法

• ABCOは、各時系列を3つの成分の和としてモデル化する：局所的に変化するトレンド、スパースな加法的外れ値信号、不均一分散ノイズ過程。
• トレンド成分は、ハーシュープ型縮約事前分布を用いたD次差分モデルを採用し、スパarsityを促進し、孤立した変化点を検出する。
• Z分布のノイズを有するしきい値付き確率的ボラティリティ過程により、時間変動するボラティリティをモデル化し、高ボラティリティおよび低ボラティリティ領域での適応的検出を可能にする。
• 外れ値はホーシュープ・プラス事前分布を用いてモデル化し、トレンド推定に歪みをもたらさずに極端な値を特定可能にする。
• 状態空間の定式化により、トレンドおよび変化点位置の信頼区間を含む、効率的なMCMCサンプリングによる後確率的推論が可能になる。
• 干渉点におけるトレンドの1階差分をモデル化することにより、干渉時系列へのモデルの拡張がなされ、効果の大きさに関する後確率的推論が可能になる。

実験結果

リサーチクエスチョン

• RQ1 確率的ボラティリティに適応可能なベイジアン状態空間モデルは、時間変動するボラティリティを伴う状況下で、変化点と局所的外れ値を同時に検出可能か？
• RQ2 局所的ボラティリティの追跡を組み込むことで、非一様な時系列における変化点検出性能はどのように向上するか？
• RQ3 顕著な外れ値と確率的ボラティリティが存在する状況下で、ABCOは既存手法をどの程度上回るか？
• RQ4 ABCOは、干渉時系列における構造的変化に対して、信頼性のある不確実性の定量化（効果の大きさ推定を含む）を提供できるか？
• RQ5 グローバルローカル縮約事前分布の使用は、トレンドおよび変化点推定における適応性をどの程度向上させるか？

主な発見

• 顕著な外れ値と不均一分散ノイズを伴うシミュレーションにおいて、ABCOはFearnhead & Rigaill (2017) やPein et al. (2017) より優れた性能を示し、特に真の変化点の検出と誤検出の最小化において顕著な優位性を示した。
• スモーキング禁止後、シチリアにおける急性心筋梗塞発症率に下向きのレベルシフトが観察されたが、ABCOはその変化を的確に同定した。傾きの変化や一時的効果の証拠は認められなかった。
• 干渉時刻における1階差分の後確率的推論から、平均シフト量は約 -20 であり、大きな不確実性を伴うことが判明した。これは即時の効果が持続的であることを示唆している。
• モデルは局所的ボラティリティに適応し、干渉点で不確実性が増加している一方、前後期の推論は安定を保っていた。
• トレンドおよび観測過程の両方に対して、信頼性のある95％信用区間を提供しており、時間経過にわたる不確実性の定量化の堅牢性を示している。
• トレンド差分に対するハーシュープ型縮約により、誤ったフラクチュエーションが効果的に抑制されつつ、大規模で孤立した変化が真の変化点として検出された。