[논문 리뷰] Change Point Detection in the Mean of High-Dimensional Time Series Data under Dependence

Jun Li, Minya Xu외 2명|arXiv (Cornell University)|2019. 03. 17.

Statistical Methods and Inference참고 문헌 24인용 수 6

한 줄 요약

이 논문은 고차원 시계열에서 공간적 및 시간적 의존성을 동시에 고려한 비모수적 변화점 탐지 절차를 제안한다. 보정된 편향 검정 통계량을 사용하여 임의의 시점(경계 포함)에서도 점차적 정규성을 유지한다. 이 방법은 변화점이 시리즈의 시작이나 끝 근처에 존재할 경우에도 평균 변화를 견고하게 탐지할 수 있으며, p ≫ n 조건에서 기존 방법보다 우수하다.

ABSTRACT

High-dimensional time series are characterized by a large number of measurements and complex dependence, and often involve abrupt change points. We propose a new procedure to detect change points in the mean of high-dimensional time series data. The proposed procedure incorporates spatial and temporal dependence of data and is able to test and estimate the change point occurred on the boundary of time series. We study its asymptotic properties under mild conditions. Simulation studies demonstrate its robust performance through the comparison with other existing methods. Our procedure is applied to an fMRI dataset.

연구 동기 및 목표

• 변수 수 p가 표본 크기 n보다 크게 초과되는 고차원 시계열에서 변화점 탐지 문제를 해결한다.
• 각 시점에서 구성요소 간 공간적 의존성과 시간 간의 시간적 의존성을 모두 통합한다.
• 기존 방법이 제한을 받는 바운더리에 위치한 변화점도 탐지할 수 있도록 한다.
• 변화점의 위치에 관계없이 항상 유효한 점차적 정규성을 가지는 검정 통계량을 개발한다.
• 복잡한 고차원 데이터에서 변화점 탐지에 대해 이론적으로 탄탄하고 실증적으로 견고한 방법을 제공한다.

제안 방법

• 고차원 시계열의 공간적 및 시간적 의존성에 대응하기 위해 보정된 편향 검정 통계량 $ L_t $ 를 제안한다.
• 의존성 효과를 모델링하고 보정하기 위해 행렬 $ F_{n,M} $ 과 벡터 $ f_t $ 를 사용하며, $ M $ 은 의존성 분리 수준을 조절한다.
• 데이터 의존성의 영향을 제거하기 위해 보정 항 $ \frac{1}{n} f_t^T F_{n,M}^{-1} V $ 를 포함시킨다.
• 벡터 $ V $ 는 지연 $ M $ 까지의 자기공분산을 담아 시간적 의존성을 캡처한다.
• 유사한 조건 하에서 $ L_t $ 가 점차적 정규성을 확보함을 증명하며, 이는 $ t \in \{1, \dots, n-1\} $ 의 모든 시점(경계 포함)에서 유효하다.
• 실제 데이터 적용을 가능하게 하기 위해 R 패키지 HDcpDetect 를 통해 절차를 구현한다.

실험 결과

연구 질문

• RQ1 변화점이 고차원 시계열의 경계 근처에 존재할 경우, 변화점 탐지 절차가 유효성과 검정력을 유지할 수 있는가?
• RQ2 고차원 시계열에서 공간적 및 시간적 의존성을 효과적으로 모델링하고 보정할 수 있는가?
• RQ3 p ≫ n 조건과 의존성이 존재할 때 귀무가설 하에서 검정 통계량의 점차적 분포는 어떻게 되는가?
• RQ4 의존성과 고차원성 조건에서 기존 방법과 비교해 제안된 방법의 성능은 어떠한가?
• RQ5 복잡한 의존 구조를 가진 고차원 시계열의 평균에서 다중 변화점을 신뢰성 있게 추정할 수 있는가?

주요 결과

• 제안된 검정 통계량 $ L_t $ 는 $ t \in \{1, \dots, n-1\} $ 의 모든 시점(경계 근처 포함)에서 점차적 정규성을 확보하며, 이는 기존 방법이 $ t = O(n) $ 가 되어야 하는 것과 대비된다.
• 편향 보정 항 $ \frac{1}{n} f_t^T F_{n,M}^{-1} V $ 는 데이터 의존성이 검정 통계량에 미치는 영향을 성공적으로 제거한다.
• 시뮬레이션 연구 결과, 다양한 의존 구조와 고차원 설정(p ≫ n) 조건에서도 본 방법이 기존 방법보다 견고한 성능을 유지함을 보였다.
• 실제 fMRI 데이터셋에서 변화점을 성공적으로 탐지하여 신경과학 분야에서의 실용적 유용성을 입증하였다.
• 절차는 R 패키지 HDcpDetect 에 구현되어 있어 고차원 시계열 데이터에 대한 접근이 용이하다.
• 이론적 결과는 약한 의존성과 모멘트 제약 조건 등의 미약한 조건 하에서도 성립하여 일반화 가능성을 높였다.