高次元データにおけるノンパラメトリック・バウンド分析―医療データへの応用―
Project/Area Number |
17J07275
|
Research Category |
Grant-in-Aid for JSPS Fellows
|
Allocation Type | Single-year Grants |
Section | 国内 |
Research Field |
Economic statistics
|
Research Institution | Keio University |
Principal Investigator |
小林 凌雅 慶應義塾大学, 政策・メディア研究科, 特別研究員(DC1)
|
Project Period (FY) |
2017-04-26 – 2020-03-31
|
Project Status |
Declined (Fiscal Year 2019)
|
Budget Amount *help |
¥1,300,000 (Direct Cost: ¥1,300,000)
Fiscal Year 2019: ¥400,000 (Direct Cost: ¥400,000)
Fiscal Year 2018: ¥400,000 (Direct Cost: ¥400,000)
Fiscal Year 2017: ¥500,000 (Direct Cost: ¥500,000)
|
Keywords | t コピュラ / 高次元データ / lasso / 金融 / tコピュラ |
Outline of Annual Research Achievements |
高次元データにおける統計分析手法に関して研究を行いました.特に周辺分布が異なる変数を組み合わせたときの同時分布の推定方法について研究しました.例えば金融データなどでは,株の周辺分布と債権の周辺分布は一般に異なると仮定しモデルを作成することがよくあります.そして,これらの同時分布を考えて,ポートフォリオを作成して資産運用を行っていきます. 実際にこの同時分布の推定方法として,コピュラと呼ばれる方法を用いて推定されます.近年では,リーマンショックなどでのテール・リスクが改めて注目されているため,コピュラの中でも t コピュラと呼ばれる方法で多くのモデルが推定されています.この t コピュラは一般のコピュラ(正規コピュラ)と異なり, テールでのリスクをより保守的に見積もることが可能です. 一方で,我々はコンピュータ環境の発展に伴い,さまざまなデータへアクセスできる環境が整ってきています.そこで,さまざまなデータ,すなわち高次元データを使った t コピュラのより効率的な推定方法について提案しました. 一見,多くのデータを用いた高次元データ分析は大変有用に思えるかもしれませんが,問題点も存在します.そのひとつが,多くのデータを用いるため,変数間に関係のない,もしくは関係が少ないデータが多く存在しています.その関係がないかもしれないという事前情報を加味することによって,従来の方法にくらべてより効率的な方法を実現しコンピュータによる実験によって有用性を確かめました.また実際のデータも用いて分析しました.
|
Research Progress Status |
翌年度、交付申請を辞退するため、記入しない。
|
Strategy for Future Research Activity |
翌年度、交付申請を辞退するため、記入しない。
|
Report
(2 results)
Research Products
(1 results)