[論文レビュー] Detecting changes in Hilbert space data based on "repeated" and change-aligned principal components

Leonid Torgovitski|arXiv (Cornell University)|Sep 24, 2015

Statistical Methods and Inference参考文献 3被引用数 7

ひとこと要約

本稿では、繰り返し適用され、変化方向に整合した主成分を用いた、ヒルベルト空間値時系列に対するCUSUMに基づく変化検出手法を提案する。主成分を変化方向に一致させることで、最初の固有値が明確に分離されている必要がなくなり、より弱い仮定のもとで多次元的変化を検出可能となり、関数データ解析におけるロバスト性と検出力が向上する。

ABSTRACT

We study a CUSUM (cumulative sums) procedure for the detection of changes in the means of weakly dependent time series within an abstract Hilbert space framework. We use an empirical projection approach via a principal component representation of the data, i.e., we work with the eigenelements of the (long run) covariance operator. This article contributes to the existing theory in two directions: By means of a recent result of Reimherr (2015) we show, on one hand, that the commonly assumed "separation of the leading eigenvalues" for CUSUM procedures can be avoided. This assumption is not a consequence of the methodology but merely a consequence of the usual proof techniques. On the other hand, we propose to consider change-aligned principal components that allow to further reduce common assumptions on the eigenstructure under the alternative. This approach extends directly to multidirectional changes, i.e. changes that occur at different time points and in different directions, by fusing sufficient information on them into the first component. The latter findings are illustrated by a few simulations and compared with existing procedures in a functional data framework.

研究の動機と目的

• 既存のCUSUM手順が、一貫した主成分推定のための明確に分離された最初の固有値を必要としているという制限に対処すること。
• 最初の固有値が一意でない場合でも有効である手法を開発し、Reimherr (2015) の部分空間推定に関する結果を活用すること。
• 代替仮説のもとで漸近的に変化方向と一致する「変化方向に整合した主成分」を導入し、帰無仮説のもとでの一貫性を保ちながら、変化方向に一致させる。
• 統一された検定統計量を用いて、異なる時刻および異なる方向での変化（多次元的変化）を検出する枠組みを拡張すること。
• 固有構造に関する構造的仮定を軽減することで、関数的および高次元データ設定における変化点検出の検出力とロバスト性を向上させること。

提案手法

• 実験的主成分が張るd次元部分空間に射影された関数的部分和に基づくCUSUM検定統計量を用いる。
• Reimherr (2015) の結果を適用し、最初のd個の固有値が完全に分離されている必要はなく、d番目と(d+1)番目の固有値の差（gap）のみが重要であることを示す。
• 変化方向Δの推定値を用いて、最初の標本的主成分を補正することで、変化方向に整合した主成分を導入する。
• 実験的最初の固有ベクトルと方向推定値の線形結合として定義された整合主成分は、代替仮説のもとで漸近的にΔと一致する。
• 部分和のCUSUMと整合主成分を組み合わせた射影に基づく検定統計量を採用し、帰無仮説のもとで漸近的有効性を維持する。
• 複数の変化方向からの情報を最初の成分に統合することで、多次元的変化への拡張を図り、同じ漸近的分布を保つ。

実験結果

リサーチクエスチョン

• RQ1 ヒルベルト空間値時系列に対するCUSUMに基づく変化検出において、明確に分離された最初の固有値の仮定を排除できるか？
• RQ2 関数データの変化検出において、固有構造が弱い仮定のもとで、主成分推定をどのように改善できるか？
• RQ3 同一の理論的枠組みのもとで、複雑な多次元的変化（例：複数の変化点や方向）を1つの検定統計量で検出できるか？
• RQ4 標準的な標本的主成分の代わりに変化方向に整合した主成分を用いた場合、CUSUM検定の漸近的挙動はいかなるものか？
• RQ5 さまざまな固有構造および変化方向のシナリオにおいて、提案手法は既存の手順と比べて検出力とロバスト性に優れているか？

主な発見

• 最初の固有値が一意に分離されている（λ₁ > λ₂ > ... > λ_d > λ_{d+1}）という仮定を排除可能であり、部分空間推定の一貫性にはλ_d > λ_{d+1} のギャップのみが必要である。
• 変化方向に整合した主成分は、代替仮説のもとで検定統計量が漸近的に変化方向と一致することを保証し、検出力が向上する。
• 最初の固有値が分離されていなくても、1次元の射影ではなくd次元の射影を用いることで、帰無仮説のもとでの漸近的有効性が保たれる。
• 変化方向に整合した成分に基づく検定統計量は、帰無仮説のもとで同じ漸近的分布を維持し、代替仮説のもとで一貫性を示す。これは多次元的変化に対しても成立する。
• シミュレーションにより、固有値の分離が弱いか、複雑な変化パターンが存在する状況において、提案手法が標準的なCUSUM手順を上回ることを確認した。
• 方向性の情報を最初の成分に統合することで、同一の検定統計量および同一の仮定のもとで、複数または多次元的変化の検出が可能となる。