[论文解读] 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 7

一句话总结

本文提出了一种基于CUSUM的改变检测方法，用于希尔伯特空间值时间序列，通过重复使用并以改变方向对齐的主成分实现。该方法消除了对前导特征值分离的依赖，通过将主成分与改变方向对齐，在更弱的假设下实现了多方向改变的检测，从而提高了函数数据分析中的稳健性和检验效能。

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.

研究动机与目标

• 解决现有CUSUM程序在一致主成分估计中对前导特征值充分分离的依赖限制。
• 开发一种即使在前导特征值不唯一时仍有效的检测方法，利用Reimherr（2015）关于子空间估计的结果。
• 引入与改变方向对齐的主成分，使其在备择假设下渐近对齐于改变方向，同时保持原假设下的一致性。
• 将框架扩展至检测多方向改变——即在不同时间、不同方向发生的改变——通过统一的检验统计量实现。
• 通过减少对特征结构的结构性假设，提升函数数据和高维数据设置下改变点检测的检验效能与稳健性。

提出的方法

• 基于投影到由经验主成分张成的d维子空间上的函数部分和的CUSUM检验统计量。
• 应用Reimherr（2015）的结果，表明仅需关注第d个与第(d+1)个特征值之间的差距，而无需前d个特征值完全分离。
• 通过用改变方向Δ的估计值校正主导经验成分，引入与改变对齐的主成分。
• 将对齐成分定义为经验主导特征向量与方向估计值的线性组合，确保在备择假设下渐近对齐于Δ。
• 采用基于投影的检验统计量，将部分和的CUSUM与对齐成分结合，保持在原假设下的渐近有效性。
• 通过将多个改变方向的信息融合到第一成分中实现对齐，将方法扩展至多方向改变，同时保持相同的渐近分布。

实验结果

研究问题

• RQ1 是否可以在基于CUSUM的希尔伯特空间值时间序列改变检测中，去除对前导特征值充分分离的假设？
• RQ2 在功能数据改变检测中，当特征结构假设较弱时，如何改进主成分估计？
• RQ3 是否可以使用单一检验统计量，在同一理论框架下检测复杂且多方向的改变（如多个改变点或方向）？
• RQ4 使用与改变对齐的主成分而非标准经验成分时，CUSUM检验的渐近行为如何？
• RQ5 在各种特征结构和改变方向的情境下，所提出方法与现有程序相比，在检验效能和稳健性方面表现如何？

主要发现

• 可去除对前导特征值互异的假设（λ₁ > λ₂ > ... > λ_d > λ_{d+1}）；仅需满足λ_d > λ_{d+1}即可实现子空间估计的一致性。
• 与改变对齐的主成分确保检验统计量在备择假设下渐近对齐于改变方向，从而提升检测效能。
• 由于采用d维投影而非单个一维投影，即使前导特征值未分离，该方法在原假设下仍保持渐近有效性。
• 基于与改变对齐成分的检验统计量在原假设下保持相同的渐近分布，且在备择假设下具有一致性，即使面对多方向改变亦然。
• 模拟结果证实，所提出方法在特征值分离较弱或改变模式复杂的情境下，优于标准CUSUM程序。
• 通过将方向信息融合至第一成分，该方法可使用同一检验统计量和相同假设检测多个或方向多变的改变。