[논문 리뷰] A Consistent Independence Test for Multivariate Time-Series

Ronak Mehta, Cencheng Shen외 2명|arXiv (Cornell University)|2019. 08. 18.

Functional Brain Connectivity Studies참고 문헌 15인용 수 3

한 줄 요약

이 논문은 시간적 종속성을 다루기 위해 거리 상관계수, 다중 척도 그래프 상관계수(MGC), 블록 순열을 조합하여 다변량 시간열의 인적성에 대해 일致하고 비모수적 가설 검정을 제안한다. 이 방법은 선형 또는 비선형 관계를 탐지하고 최대 종속성의 시간 지연을 특정할 수 있으며, 엄밀한 정(stationary) ARMA 과정에 대해 이론적으로 타당성이 있고, fMRI 데이터에서 선형 및 비선형 뇌 네트워크 연결성을 실증적으로 검증하였다.

ABSTRACT

A fundamental problem in statistical data analysis is testing whether two phenomena are related. When the phenomena in question are time series, many challenges emerge. The first is defining a dependence measure between time series at the population level, as well as a sample level test statistic. The second is computing or estimating the distribution of this test statistic under the null, as the permutation test procedure is invalid for most time series structures. This work aims to address these challenges by combining distance correlation and multiscale graph correlation (MGC) from independence testing literature and block permutation testing from time series analysis. Two hypothesis tests for testing the independence of time series are proposed. These procedures also characterize whether the dependence relationship between the series is linear or nonlinear, and the time lag at which this dependence is maximized. For strictly stationary auto-regressive moving average (ARMA) processes, the proposed independence tests are proven valid and consistent. Finally, neural connectivity in the brain is analyzed using fMRI data, revealing linear dependence of signals within the visual network and default mode network, and nonlinear relationships in other regions. This work opens up new theoretical and practical directions for many modern time series analysis problems.

연구 동기 및 목표

• 시간적 종속성 구조 하에서 시간열의 인적성에 대해 타당하고 일致한 검정을 개발하기 위해.
• 시간열에서 순열 검정의 한계를 해결하기 위해 귀무가설 하에서 시간적 종속성을 유지하는 데 블록 순열을 도입하기 위해.
• 다변량 시간열에서 선형과 비선형 종속성 관계를 구분하기 위해.
• 시간열 간 종속성이 최대가 되는 시간 지연을 특정하기 위해.
• 실제 fMRI 데이터에 이 방법을 적용하여 뇌의 신경 연결 패턴을 밝혀내기 위해.

제안 방법

• 다양한 척도에서 다변량 시간열 간 종속성을 측정하기 위해 거리 상관계수와 다중 척도 그래프 상관계수(MGC)를 조합한다.
• 시간적 종속성 구조를 유지하면서 검정 통계량의 귀무분포를 추정하기 위해 블록 순열을 사용한다.
• 일관성과 귀무가설 하의 타당성을 입증하기 위해 ARMA 과정에 이 검정을 적용한다.
• 다양한 상관계수 척도를 탐색함으로써 선형 및 비선형 종속성을 탐지하기 위해 다중 척도 접근법을 활용한다.
• 다양한 종속성 구조에 민감도를 높이기 위해 척도별 MGC의 최대값을 바탕으로 한 검정 통계량을 사용한다.
• 종속성이 가장 강한 지점의 시간 지연을 특정하기 위해 지연 기반 검색을 도입한다.

실험 결과

연구 질문

• RQ1 시간적 종속성을 고려하고 잘못된 순열 절차를 피하는 다변량 시간열에 대해 일관된 인적성 검정을 개발할 수 있는가?
• RQ2 시간열 데이터에서 종속성을 선형 또는 비선형으로 신뢰성 있게 구분할 수 있는가?
• RQ3 시간열 간 종속성이 최대가 되는 최적의 시간 지연은 무엇인가?
• RQ4 엄밀한 정(stationary) ARMA 과정에 대해 제안된 방법이 귀무가설 하에서 타당성과 일관성을 유지하는가?
• RQ5 이 방법은 fMRI 데이터에서 선형과 비선형 뇌 네트워크 상호작용을 구분하면서 의미 있는 신경 연결 패턴을 드러낼 수 있는가?

주요 결과

• 제안된 인적성 검정은 귀무가설 하에서 엄밀한 정(stationary) ARMA 과정에 대해 타당성과 일관성이 입증되었다.
• 이 방법은 시간열에서 선형과 비선형 종속성을 성공적으로 구분하였으며, 전통적 방법보다 비선형 관계 탐지에 더 높은 검정력(power)을 보였다.
• 블록 순열 절차는 시간적 종속성 구조를 효과적으로 유지하여 정확한 귀무분포 추정이 가능하게 하였다.
• fMRI 데이터 분석에서 시각 네트워크와 기본 모드 네트워크에서 선형 종속성이 관찰되어 강력하고 구조적인 연결성을 시사하였다.
• 다른 뇌 영역에서는 비선형 관계가 탐지되어 선형 상관계수를 초월한 복잡하고 덧셈이 아닌 상호작용이 존재함을 시사하였다.
• 이 방법은 종속성이 최대가 되는 시간 지연을 특정하여 뇌 상호작용의 시간적 역학에 대한 통찰을 제공하였다.