| 研究課題/領域番号 |
16K00067
|
|---|
| 研究種目 |
基盤研究(C)
|
| 配分区分 | 基金 |
|---|
| 応募区分 | 一般 |
|---|
| 研究分野 |
統計科学
|
|---|
| 研究機関 | 統計数理研究所 |
|---|
研究代表者 |
川崎 能典 統計数理研究所, モデリング研究系, 教授 (70249910)
|
|---|
| 研究期間 (年度) |
2016-04-01 – 2019-03-31
|
| 研究課題ステータス |
完了 (2018年度)
|
| 配分額 *注記 |
2,340千円 (直接経費: 1,800千円、間接経費: 540千円)
2018年度: 780千円 (直接経費: 600千円、間接経費: 180千円)
2017年度: 780千円 (直接経費: 600千円、間接経費: 180千円)
2016年度: 780千円 (直接経費: 600千円、間接経費: 180千円)
|
|---|
| キーワード | スパース正則化 / 円滑閾値型推定方程式 / ボラティリティ / 経験類似度 / トピックモデル / 多変量自己回帰モデル / 対数死亡率 / マスク効果 / HARモデル / モデル信頼集合 / 時系列解析 / 変数選択 / 推定方程式 / 多変量時系列 |
|---|
| 研究成果の概要 |
統計モデルにおいて目的変数を説明する候補変数が高次元の状況下で，適切な変数選択・グルーピングを行う円滑閾値型推定方程式を，時系列解析の文脈に応用した．ボラティリティ予測モデルにおける変数選択を，経験類似度に基づくモデル化と，動的トピックモデルから抽出したトピック時系列の選択という2つの問題で議論し，その有効性を確認した．対数死亡率に対する要因分解モデルの残差に見られる時間軸効果を，先験的な仮定によらずスパース推定する方法を提案した．また，高次元モデルで周辺効果の強い変数に隠れて効果が見えにくい真の因果変数を拾い上げる方法論を提案した．
|
| 研究成果の学術的意義や社会的意義 |
IoTの推進により，学術・社会の両面でさまざまなセンサーデータが取得可能になっており，その多くは時間と共に観測される時系列データで，往々にして多変量である．従来の多変量時系列モデルは，比較的少数の変数間の相互共分散を通じてリード・ラグ関係を抽出するものであったが，ラグが深くなると高次元では推定が破綻する．本研究で試みたスパース推定との組合せは，今後の大容量の時系列解析につながる成果である．
|
