| 研究課題/領域番号 |
19K01582
|
|---|
| 研究種目 |
基盤研究(C)
|
| 配分区分 | 基金 |
|---|
| 応募区分 | 一般 |
|---|
| 審査区分 |
小区分07030:経済統計関連
|
|---|
| 研究機関 | 小樽商科大学 |
|---|
研究代表者 |
劉 慶豊 小樽商科大学, 商学部, 教授 (60378958)
|
|---|
| 研究期間 (年度) |
2019-04-01 – 2022-03-31
|
| 研究課題ステータス |
完了 (2021年度)
|
| 配分額 *注記 |
4,290千円 (直接経費: 3,300千円、間接経費: 990千円)
2021年度: 1,170千円 (直接経費: 900千円、間接経費: 270千円)
2020年度: 1,430千円 (直接経費: 1,100千円、間接経費: 330千円)
2019年度: 1,690千円 (直接経費: 1,300千円、間接経費: 390千円)
|
|---|
| キーワード | モデル平均 / モデル選択 / 非線形モデル / 超高次元データ / アンサンブル学習 / Machine Collaboration / 機械学習 / Model Averaging / Sparsity / Model Selection / Nonlinear Model / Ultra-high Dimensional / Lasso / Combination / Ultrahigh Dimension / Big Data |
|---|
| 研究開始時の研究の概要 |
本研究は超高次元データ解析の精度を高めるためのモデル平均法の開発を目的とする。近年、モデル平均法は推定の精度を高め、リスクを大きく下げることができると同時にスパース推定のミススペシフィケーションの問題点をある程度克服できるため注目されている。現状ではデータが高次元になるにつれ計算量が膨大になり、特に共変量の次元Pがサンプルサイズnを大きく超える超高次元の状況では、実用的なモデル平均法とそれに関する統計理論が十分に確立されていない。本研究はスパース推定を用いて共変量の次元を減らしてからモデル平均法を適用する二段階推定法を構築して、その統計学的性質を解明し実証研究を行う。
|
| 研究成果の概要 |
ビッグデータの時代が迎えられて、大規模データに適したデータ解析の方法が求められていた。超高次元データ解析の分野ではモデル（共変量）選択のミススペシファイケーションの課題と計算量と計算スピードの課題の解決が重要なテーマであった。本研究は超高次元データ解析の精度を高めるためのモデル平均法の開発した。さらに、モデル平均法の計算スピードを上げるための方法も提案した。また、より広範囲に適用できるモデル平均方の開発を行い、ファイナンス分野にお応用できる方法を提案した。すべての研究成果は5本の論文として纏められて、既に国際学術雑誌に掲載された。
|
| 研究成果の学術的意義や社会的意義 |
本研究の成果は、モデル平均法の分野では国際的に最先端の課題のチャレンジで、当該分野の発展に大きく貢献していると言える。ビッグデータの時代において、大規模データに適したデータ解析の方法を提供した。学術と社会の発展に技術の面で寄与した。
|
