[論文レビュー] Extracting Common Time Trends from Concurrent Time Series: Maximum Autocorrelation Factors with Application to Tree Ring Time Series Data

Matz A. Haugen, Bala Rajaratnam+1 more|arXiv (Cornell University)|Feb 4, 2015

Tree-ring climate responses参考文献 8被引用数 7

ひとこと要約

この論文は、自己相関を最大にすることで時間的整合性を最適化することで、同時期の時系列から共通の時間的トレンドを抽出するための最大自己相関因子（MAF）を導入している。MAFは、信号対雑音比（SNR）と安定性の面でPCAを上回る。MAFは、ノイズが多いか相関の高いデータにおいても、滑らかな潜在的信号をPCAよりも効果的に特定する。また、信号の形状に関する事前知識が不要な条件下で、MAFは線形相関分析（CCA）と同等の信号回復性能を示すことが示されている。

ABSTRACT

Concurrent time series commonly arise in various applications, including when monitoring the environment such as in air quality measurement networks, weather stations, oceanographic buoys, or in paleo form such as lake sediments, tree rings, ice cores, or coral isotopes, with each monitoring or sampling site providing one of the time series. The goal in such applications is to extract a common time trend or signal in the observed data. Other examples where the goal is to extract a common time trend for multiple time series are in stock price time series, neurological time series, and quality control time series. For this purpose we develop properties of MAF [Maximum Autocorrelation Factors] that linearly combines time series in order to maximize the resulting SNR [signal-to-noise-ratio] where there are multiple smooth signals present in the data. Equivalence is established in a regression setting between MAF and CCA [Canonical Correlation Analysis] even though MAF does not require specific signal knowledge as opposed to CCA. We proceed to derive the theoretical properties of MAF and quantify the SNR advantages of MAF in comparison with PCA [Principal Components Analysis], a commonly used method for linearly combining time series, and compare their statistical sample properties. MAF and PCA are then applied to real and simulated data sets to illustrate MAFs efficacy.

研究の動機と目的

• 複数の同時期の時系列から、分散の最大化ではなく時間的整合性の強調を目的とした共通の時間的トレンドを抽出する手法を開発すること。
• PCAが時系列の順序に無関心で、自己相関の最適化を行わないため、滑らかで整合性のある信号を捉える能力に制限があるという問題を解決すること。
• 信号＋雑音モデル下で、MAFが信号対雑音比（SNR）を最大化することを示し、潜在的時間的トレンドを検出するのに最適であることを証明すること。
• 実データおよびシミュレートデータを用いて、MAFとPCA、CCAの間で統計的安定性、不確実性の定量化、信号の集中度を比較すること。
• 古気象学的樹木年輪データにMAFを適用し、地域気候トレンドを抽出することで、将来的な計器記録との補正を支援すること。

提案手法

• MAFは、得られる時系列 Y(t) = w'Z(t) の自己相関を最大にする係数ベクトル w を用いた時系列の線形結合を計算する。
• 最適な MAF 係数ベクトル w_MAF は、行列 S^(-1/2) * S_Δ * S^(-1/2) の最大固有ベクトルとして導出される。ここで S は共分散行列、S_Δ は1階差分時系列の共分散行列である。
• MAFは、元の時系列のスケーリング変更に対して不変であるため、測定単位に関係なく一貫した信号抽出が保証される。
• MAF推定値の不確実性は、ブロックブートストラップ再サンプリング（ブロックサイズ = 5年）を用いて定量化され、MAF成分の信頼区間が生成される。
• 信号集中度は、元の時系列とMAF/PC成分間の線形相関を測定する canonical correlation を用いて評価され、成分が潜在的信号をどれだけよく反映しているかを測定する。
• 本手法は、シミュレートデータおよび北米西部の実際の樹木年輪時系列（1850–1999）を用いて検証され、PCAおよびCCAと比較された。

実験結果

リサーチクエスチョン

• RQ1 同時期の時系列の線形結合において自己相関を最大化することは、分散の最大化（PCAと同様）よりも優れた信号抽出をもたらすか？
• RQ2 ノイズや相関のレベルが上昇する条件下でも、MAFはPCAと比較して信号対雑音比（SNR）に優れているか？
• RQ3 信号の形状や構造に関する事前知識が不要な条件下で、MAFはCCAと同等の信号回復性能を達成できるか？
• RQ4 サンプリング変動に対してMAF推定値はどの程度安定しているか？また、再サンプリング手法を用いて不確実性を信頼性高く定量化できるか？
• RQ5 特に古気象学的プロキシデータにおいて、MAFはPCAと比較して信号情報をより少ない成分に集中させることができるか？

主な発見

• 実際の樹木年輪データにおいて、MAFは実証的SNRが1.46を達成したのに対し、PCAのSNRは0.92にとどまり、信号の集中度が顕著に優れていることが示された。
• 最初の2つのMAF成分は、時間的に整合性の高い時系列（4つのうち最初の2つ）に高い重みを割り当て、ノイジーな系列には低く重みを割り当てており、効果的なノイズ抑制が行われている。
• MAF3の元の推定値は、ブロックブートストラップ再サンプリングからの95％信頼区間の外側に位置しており、これは主にノイズであり、安定した信号成分ではないことを示している。
• MAFはcanonical correlationのサンプリング分布がPCAよりも狭く、信号推定の統計的安定性が高く、不確実性が低いことを示している。
• 多変量信号＋雑音モデル下で、最初の q 個のMAFは最初の q 個のCCFと同一の部分空間を span する。これは、信号形状の事前知識が不要な条件下で、MAFが信号回復において最適であることを証明している。
• canonical correlationの観点から、3つの成分まで含めた段階でMAFはPCAを上回ったが、以降は両手法が収束した。これは、MAFが初期成分において優れた信号集中度を示していることを示している。