[논문 리뷰] Trend and Variance Adaptive Bayesian Changepoint Analysis & Local Outlier Scoring

Haoxuan Wu, David S. Matteson외 1명|arXiv (Cornell University)|2020. 11. 18.

Monetary Policy and Economic Impact참고 문헌 42인용 수 4

한 줄 요약

이 논문은 비정상적이고 이질적인 데이터에서 심각한 이상치나 분산 변화가 있는 시계열에서 변화점과 국소적 이상치를 동시에 탐지할 수 있는 새로운 베이지안 상태공간 모델인 적응형 베이지안 변화점 탐지 모델(ABCO)을 제안한다. 전역-국소적 수축 사전분포와 임계값을 가진 확률적 변동성 모델을 통합함으로써 ABCO는 추세, 이상치, 이질적 잡음에 대해 적응적으로 모델링하며, 시뮬레이션과 실제 응용 사례에서 기존 방법들을 능가한다.

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.

연구 동기 및 목표

• 복잡하고 비정상적인 행동을 보이는 시계열에서 변화점과 국소적 이상치를 탐지하기 위한 강력하고 적응적인 베이지안 프레임워크를 개발하는 것.
• 실제 응용에서 성능 저하를 초래하는 이상치와 이질적 잡음 처리에 대한 기존 변화점 방법의 한계를 해결하는 것.
• 동적 추세 모델링과 불확실성 정량화, 이상치 점수화를 통합함으로써 베이지안 변화점 분석을 확장하는 것.
• 특수한 간섭 시점에서의 구조적 붕괴에 대한 모델 기반 추론을 가능하게 하고, 간섭 지점에서 효과 크기 추정을 포함하는 것.
• 수축 사전분포와 상태공간 모델링을 융합함으로써 블랙박스 딥러닝 방법의 유연하고 해석 가능한 대안을 제공하는 것.

제안 방법

• ABCO는 각 시계열을 세 가지 성분의 합으로 모델링한다: 국소적으로 변화하는 추세, 희박한 덧셈 이상치 신호, 이질적 잡음 과정.
• 추세 성분은 D차수 차분 모델과 말발굽형 수축 사전분포를 사용하여 희박성과 고립된 변화점을 탐지하도록 촉진한다.
• Z-분포의 창발을 가진 임계값을 가진 확률적 변동성 과정은 시간에 따라 변화하는 변동성을 모델링하여 고·저분산 영역에서 적응적인 탐지가 가능하도록 한다.
• 이상치는 말발굽-플러스 사전분포를 사용하여 극단적 값을 식별하면서도 추세 추정에 영향을 주지 않도록 모델링한다.
• 상태공간 공식화는 추세와 변화점 위치에 대한 신뢰구간 포함, 후행 추론을 위한 효율적 MCMC 샘플링을 가능하게 한다.
• 간섭 지점에서 추세의 첫 번째 차분을 모델링함으로써 간섭 시간에 대한 효과 크기 추론이 가능하도록 모델을 간섭 시계열로 확장한다.

실험 결과

연구 질문

• RQ1 베이지안 상태공간 모델이 시간에 따라 변화하는 변동성에 적응하면서 변화점과 국소적 이상치를 동시에 탐지할 수 있는가?
• RQ2 국소적 변동성 추적을 포함함으로써 비균일한 시계열에서 변화점 탐지 성능이 어떻게 향상되는가?
• RQ3 심각한 이상치와 확률적 변동성이 존재할 경우 ABCO는 기존 방법보다 얼마나 뛰어나게 성능을 발휘하는가?
• RQ4 ABCO는 간섭 시계열에서의 구조적 붕괴에 대해 신뢰할 수 있는 불확실성 정량화를 제공할 수 있는가, 특히 효과 크기 추정을 포함하여?
• RQ5 전역-국소적 수축 사전분포의 사용이 추세 및 변화점 추정의 적응성에 어떻게 기여하는가?

주요 결과

• ABCO는 Fearnhead & Rigaill (2017)과 Pein et al. (2017)보다 심각한 이상치와 이질적 잡음이 존재하는 시뮬레이션에서 진짜 변화점을 더 잘 탐지하고 임의의 양성 결과를 최소화하여 성능이 뛰어나다.
• 흡연 금지 조치 이후 시칠리아에서 급성 심근경색 발병률에 하향 수준 이격이 발생했음을 성공적으로 식별하였으며, 경향 변화나 일시적 효과의 증거는 없었다.
• 간섭 시점에서 첫 번째 차분에 대한 후행 추론 결과, 평균 이격은 약 -20로 나타났으며, 상당한 불확실성이 있었으며, 즉각적이지만 지속적인 영향을 의미한다.
• 모델은 국소적 변동성에 적응하여 간섭 지점에서 불확실성이 증가하고, 간섭 이전 및 이후 기간에는 안정적인 추론을 유지한다.
• 추세와 관측 과정에 대해 신뢰할 수 있는 95% 신뢰구간을 제공하며, 시간에 따라 안정적인 불확실성 정량화를 보여준다.
• 추세 차이에 대한 말발굽형 수축은 허구적 변동을 효과적으로 억제하면서도 큰 고립된 변화를 진짜 변화점으로 탐지할 수 있도록 한다.