[論文レビュー] Inference for Change Points in High Dimensional Data

Runmin Wang, Stanislav Volgushev+1 more|arXiv (Cornell University)|May 21, 2019

Statistical Methods and Inference被引用数 17

ひとこと要約

本稿では、自己正規化を用いて、高次元データにおける平均シフトを検出する、チューニング不要のU統計量ベースの検定を提案する。順次U統計量過程の弱収束を達成し、複数の変化点および共分散構造の変化に拡張可能であり、理論的厳密性と野生二分法による実証的検証を兼ね備えている。

ABSTRACT

This article considers change point testing and estimation for high dimensional data. In the case of testing for a mean shift, we propose a new test which is based on U-statistics and utilizes the self-normalization principle. Our test targets dense alternatives in the high dimensional setting and involves no tuning parameters. The weak convergence of a sequential U-statistic based process is shown as an important theoretical contribution. Extensions to testing for multiple unknown change points in the mean, and testing for changes in the covariance matrix are also presented with rigorous asymptotic theory and encouraging simulation results. Additionally, we illustrate how our approach can be used in combination with wild binary segmentation to estimate the number and location of multiple unknown change points.

研究の動機と目的

• 密な代替仮説下でもパワーを維持できる、高次元データにおける平均シフト検出のロバストでチューニング不要な検定を開発すること。
• 順次U統計量過程の弱収束を確立し、理論的基盤を提供すること。
• 方法を複数の未知の変化点および共分散行列の変化を検出できるように拡張すること。
• 複数の変化点の数と位置を推定する実用的フレームワークを、検定と野生二分法を組み合わせることで提供すること。

提案手法

• U統計量を用いて高次元データ内の対ごとの依存関係を捉えることで、ロバスト性と効率性を確保する。
• 高次元漸近的条件下での検定統計量の安定化のため、自己正規化を適用し、バンド幅やチューニングパラメータの必要性を排除する。
• 順次U統計量過程の弱収束が示され、漸近的分布の推論が可能になる。
• 類似のU統計量ベースの検定統計量を構築することで、共分散行列の変化を検出するように方法を拡張する。
• 野生二分法を統合し、データを再帰的に分割することで、理論的保証を伴う複数の変化点の推定を実現する。
• 多くの変数が平均でシフトするが、すべてではないという密な代替仮説を扱えるように設計されている。

実験結果

リサーチクエスチョン

• RQ1 密な代替仮説下でもパワーを維持できる、高次元平均シフト検出のチューニング不要な検定を開発できるか？
• RQ2 高次元設定下での順次U統計量過程の漸近的分布は何か？
• RQ3 提案された検定を、高次元データの共分散構造の変化を検出できるように拡張できるか？
• RQ4 検定を野生二分法と効果的に組み合わせ、複数の変化点を推定できるか？
• RQ5 さまざまな高次元設定下での有限標本の性質と実証的性能は何か？

主な発見

• 提案されたU統計量ベースの検定は、順次過程の弱収束を達成し、推論のための堅固な理論的基盤を提供する。
• チューニング不要であり、高次元データにおける密な平均シフトの検出に効果的で、シミュレーション研究では既存手法を上回る性能を示す。
• 共分散行列の変化検出に対しても効果的に拡張可能であり、その有効性を裏付ける厳密な漸近的理論が整っている。
• 野生二分法と組み合わせることで、複数の変化点の数と位置を正確に推定できる。
• シミュレーション結果は、信号強度や次元の変動にかかわらず、多様な高次元シナリオで優れた実証的性能を示している。
• 変数の数が標本サイズをはるかに上回る場合でも、良好なサイズとパワーを維持する。