[논문 리뷰] Factor modelling for high-dimensional functional time series

Shaojun Guo, Xinghao Qiao외 2명|arXiv (Cornell University)|2021. 12. 27.

Statistical Methods and Inference인용 수 6

한 줄 요약

이 논문은 고차원 기능적 시계열 데이터를 위한 새로운 기능적 요인 모델을 제안하며, 가중치가 부여된 자기공분산 연산자의 고유분석을 활용하여 잠재 요인과 적재량을 추정함으로써 기능적 및 동적 구조를 유지하면서 차원 감소를 달성한다. 이 방법은 효율성을 높이고 희소성 유도 정규화를 수행하기 위해 가중치 행렬을 통합하여, 시뮬레이션과 영국 기온 및 일본 사망률 데이터와 같은 실세계 적용 사례에서 기존 방법들보다 뛰어난 성능을 보였다.

ABSTRACT

Many economic and scientific problems involve the analysis of high-dimensional functional time series, where the number of functional variables $p$ diverges as the number of serially dependent observations $n$ increases. In this paper, we present a novel functional factor model for high-dimensional functional time series that maintains and makes use of the functional and dynamic structure to achieve great dimension reduction and find the latent factor structure. To estimate the number of functional factors and the factor loadings, we propose a fully functional estimation procedure based on an eigenanalysis for a nonnegative definite and symmetric matrix. Our proposal involves a weight matrix to improve the estimation efficiency and tackle the issue of heterogeneity, the rationale of which is illustrated by formulating the estimation from a novel regression perspective. Asymptotic properties of the proposed method are studied when $p$ diverges at some polynomial rate as $n$ increases. To provide a parsimonious model and enhance interpretability for near-zero factor loadings, we impose sparsity assumptions on the factor loading space and then develop a regularized estimation procedure with theoretical guarantees when $p$ grows exponentially fast relative to $n.$ Finally, we demonstrate that our proposed estimators significantly outperform the competing methods through both simulations and applications to a U.K. temperature data set and a Japanese mortality data set.

연구 동기 및 목표

• 시간 포인트 수 $ n $ 가 증가함에 따라 곡선 수 $ p $ 가 증가하는 고차원 기능적 시계열 모델링의 과제를 해결하기 위해.
• 데이터의 기능적 및 순차적 의존성 구조를 유지하면서 효과적인 차원 감소를 가능하게 하는 요인 모델을 개발하기 위해.
• 가장 효율적인 추정을 위해 가중치 행렬을 활용한 완전히 기능적 고유분석 기반 접근법을 사용하여 잠재 요인 수와 요인 적재량을 추정하기 위해.
• 특히 $ p $ 가 $ n $ 대비 지수적으로 증가할 경우, 해석 가능성 향상을 위해 요인 적재량 공간의 희소성을 도입하기 위해.
• 고차원 점근 이론 하에서 제안된 정규화 추정 절차에 대한 이론적 보장을 제공하기 위해.

제안 방법

• 기능적 요인 모델 제안: $ \mathbf{Y}_t(\cdot) = \mathbf{A} \mathbf{X}_t(\cdot) + \boldsymbol{\varepsilon}_t(\cdot) $, 여기서 $ \mathbf{X}_t(\cdot) $ 는 잠재 기능적 요인이고 $ \boldsymbol{\varepsilon}_t(\cdot) $ 는 백색 잡음이다.
• 이차공분산 연산자의 고유분석에 가중치 행렬을 도입하여 추정 효율성 향상과 이질성 문제 해결을 위해.
• 가중치 행렬의 사용을 정당화하기 위해 새로운 회귀적 관점에서 추정 절차를 유도하였다.
• 가중치가 부여된 자기공분산에서 생성된 비음수정의 행렬에 대해 고유분석을 수행하여 요인 수와 요인 적재량을 추정하였다.
• 요인 적재량 공간의 희소성을 유도하기 위해 정규화를 적용한 희소 주성분 분석을 활용하여 해석 가능성 향상.
• 고차원 점근 이론 하에서 일致성과 수렴 속도를 이론적으로 확립하였으며, $ p $ 가 $ n $ 대비 다항식 또는 지수적 비율로 증가할 경우에도 적용 가능하다.

실험 결과

연구 질문

• RQ1 고차원 기능적 시계열의 잠재 동적 구조는 기능적 및 시간적 의존성을 유지하면서 효과적으로 추출할 수 있는가?
• RQ2 $ n \to \infty $ 일 때 $ p \to \infty $ 가 되는 조건에서 요인 수와 그 적재량을 추정하는 최적의 방법은 무엇인가?
• RQ3 가중치 행렬은 기능적 요인 모델에서 추정 효율성 향상과 이질성 문제 해결에 어떻게 기여하는가?
• RQ4 $ p $ 가 $ n $ 대비 지수적으로 증가할 경우 제안된 추정기의 이론적 성능은 어떠한가?
• RQ5 실세계 적용 사례에서 기존 방법들과 비교하여 제안된 방법은 추정 정확도와 해석 가능성 측면에서 어떻게 성능을 발휘하는가?

주요 결과

• 제안된 방법은 $ p $ 가 급격히 증가하는 고차원 설정에서 기존 방법들보다 뚜렷이 뛰어난 성능을 보였다.
• 가중치 행렬의 사용은 특히 기능 곡선 간 이질성이 존재할 경우 더 효율적인 추정을 가능하게 하였다.
• 이론적 결과는 추정기의 일치성과 최적 수렴 속도를 확보하였으며, $ p $ 가 $ n $ 대비 다항식 또는 지수적 비율로 증가하는 조건에서도 성립함을 보였다.
• 정규화된 추정 절차는 요인 적재량 공간에 희소성을 효과적으로 유도하여 근접한 영점 적재량을 식별함으로써 해석 가능성을 향상시켰다.
• 영국 기온과 일본 사망률 데이터에 대한 실증 적용 사례는 모델이 의미 있는 잠재 역학을 포착하고 정확한 예측을 가능하게 함을 보여주었다.
• 적재량의 공간 히트맵은 사망률 추세에서 해석 가능한 지역적 패턴을 드러내어 모델의 실용적 유용성을 검증하였다.