[論文レビュー] Multiple change point detection under serial dependence: Wild energy maximisation and gappy Schwarz criterion

Haeran Cho, Piotr Fryźlewicz|arXiv (Cornell University)|Nov 27, 2020

Statistical and numerical algorithms参考文献 63被引用数 8

ひとこと要約

本稿では、自己相関のある線形時系列の平均における複数の変化点を検出するための新規手法 WEM.gSC を提案する。この手法は、ロバストな信号分離のためのワイルドエナジー最大化と、変化点と自己回帰構造の同時推定のためのギャップ付きスカーバル基準を組み合わせたものである。この手法は、系列相関のもとでも、変化点の数および位置の両方について一貫性のある推定を達成する。

ABSTRACT

We propose a methodology for detecting multiple change points in the mean of an otherwise stationary, autocorrelated, linear time series. It combines solution path generation based on the wild energy maximisation principle, and an information criterion-based model selection strategy termed gappy Schwarz criterion. The former is well-suited to separating shifts in the mean from fluctuations due to serial correlations, while the latter simultaneously estimates the dependence structure and the number of change points without performing the difficult task of estimating the level of the noise as quantified e.g. by the long-run variance. We provide modular investigation into their theoretical properties and show that the combined methodology, named WEM.gSC, achieves consistency in estimating both the total number and the locations of the change points. The good performance of WEM.gSC is demonstrated via extensive simulation studies, and we further illustrate its usefulness by applying the methodology to London air quality data.

研究の動機と目的

• 従来の手法が自己相関ノイズと平均シフトを混同する可能性がある、系列相関を有する時系列における複数の変化点検出の課題に対処すること。
• ノイズレベルの明示的推定を必要とせず、変化点の数と潜在的な自己相関構造の両方を統合的に推定するフレームワークの構築。
• 特に長記憶的または弱く依存する過程においても、系列相関のもとでの変化点検出の理論的一貫性を保証すること。
• 系列相関に起因する構造的シフトと確率的変動を分離する、ロバストでモジュラーな手法の提供。

提案手法

• この手法は、符号付きでランダム化された検定統計量を活用して、系列相関ノイズから平均シフトを分離するためのワイルドエナジー最大化を用いる。
• ギャップ付きスカーバル基準（系列相関による変化点に起因するデータ構造のギャップを考慮した修正情報基準）を用いて最適なモデルを選択する。
• ギャップ付きスカーバル基準は、変化点の数と系列自己回帰構造を同時に推定でき、長期分散やノイズレベルの事前推定を不要にする。
• アプローチはモジュラーであり、解のパスとモデル選択を別々に理論的分析可能であり、解釈可能性と一貫性を向上させる。
• 弱い依存性の仮定のもとで理論的保証を有する計算的に実行可能でスケーラブルな手法であり、複数の変化点に対しても適用可能である。
• 解のパスは、系列相関に起因する誤検出を抑制しつつ、平均シフトへの感受性を高めるワイルドエナジー統計量の反復的最大化により構築される。

実験結果

リサーチクエスチョン

• RQ1 ノイズレベルの事前知識がなくとも、定常的で自己相関のある時系列において、複数の変化点の数と位置を同時に推定できるか？
• RQ2 標準的なエネルギーベース手法と比較して、ワイルドエナジー最大化は、系列相関からの平均シフトの分離をどのように改善するか？
• RQ3 真の変化点数と自己相関構造が不明な状況でも、ギャップ付きスカーバル基準は一貫性のあるモデル選択を提供するか？
• RQ4 弱い依存性を持つ線形過程において、WEM.gSC の組み合わせ手法の理論的性質は何か？
• RQ5 さまざまな系列相関形態と複数の変化点を伴う有限標本において、WEM.gSC の性能はいかがであるか？

主な発見

• WEM.gSC の手法は、系列相関のもとでも、変化点の総数および位置の両方について一貫性のある推定を達成する。
• ワイルドエナジー最大化のコンponentは、系列相関に起因する変動と平均シフトを効果的に分離し、誤検出を低減する。
• ギャップ付きスカーバル基準は、ノイズレベルの明示的推定を必要とせず、変化点の数と自己相関構造を同時に推定可能である。
• シミュレーション研究により、多様な自己相関構造と複数の変化点構成において、良好な有限標本性能が示された。
• ロンドンの大気質データへの応用では、既知の環境政策変更と整合する汚染トレンドの意味のある構造的シフトが明らかになった。
• 特に長期分散の推定が困難な状況においても、WEM.gSC は従来の代替手法を上回る性能を示す。