On testing for independence between generalized error models of several time series

この論文「On testing for independence between generalized error models of several time series（複数の時系列における一般化誤差モデル間の独立性検定）」は、Kilani Ghoudi, Bouchra R. Nasri、Bruno N. Rémillard によって執筆されたものです。

以下に、この論文の技術的な要約を問題定義、手法、主要な貢献、結果、そして意義の観点から日本語で詳細に記述します。

1. 問題定義 (Problem)

時系列分析において、複数の時系列間の条件付き独立性を検定することは、変数間の関係を理解し、多変量モデルを構築する上で極めて重要です。特に、ある時系列が他方の「先行指標（leading indicator）」として機能するかどうかを判断するためには、過去の情報を条件とした Innovations（革新項）間の独立性を確認する必要があります。

既存の手法には以下の限界がありました：

• 連続分布への依存: 従来の多くの独立性検定（Duchesne et al., 2012 など）は、時系列が連続分布に従うことを前提としており、離散分布や混合分布（例：ゼロ過剰モデル）には適用できませんでした。
• モデルの制約: 既存の研究は主に確率変動（Stochastic Volatility）モデルに限定されており、レジームスイッチングモデルや離散値を持つ時系列（カウントデータなど）を網羅的に扱えていませんでした。
• 非線形依存の検出: 相関に基づく手法は、ガウスモデルでは有効ですが、非ガウスモデルや非線形な依存構造（例：テントマップ）を検出できない場合があります。

本研究の目的は、任意の分布（連続、離散、またはその混合）を持つ時系列の一般化誤差（generalized errors）間の条件付き独立性を、ラグを考慮して検定できる包括的な枠組みを提供することです。

2. 手法 (Methodology)

本研究は、以下のステップで構成される新しい検定枠組みを提案しています。

A. 一般化イノベーションの定義とランダム化

任意の分布を持つ時系列 $X_t$ に対して、一様分布に従う「一般化イノベーション（generalized innovations）」$U_t$ を定義します。

• 連続分布の場合、$U_t = G_t(X_t)$ （$G_t$ は条件付き分布関数）で定義されます。
• 離散分布や混合分布の場合、$G_t(X_t)$ は一様分布に従わないため、Brockwell (2007) が提案したランダム化手法を採用します。
  $$U_t = G_t(X_t-) + V_t \Delta G_t(X_t)$$
  ここで、$V_t$ は $X_t$ と独立な一様分布 $U(0,1)$ の乱数、$\Delta G_t$ は $G_t$ のジャンプ（確率質量）を表します。これにより、$U_t$ は条件付きで一様分布に従い、かつ独立であることが保証されます。

B. 多変量コピュラモデルの構築

複数の時系列間の依存構造をモデル化するために、時間変化するコピュラ（time-varying copula）を使用します。

• 各系列の一般化誤差 $U_{jt}$ 間の依存性は、多線形コピュラ（multilinear copula）$C^\star_t$ で記述されます。
• 帰無仮説 $H_0$ は、すべての $t$ において $C^\star_t$ が独立コピュラ $\Pi$ に等しい（つまり系列間に依存性がない）というものです。

C. 経験過程と漸近分布

ラグを考慮した経験過程（empirical processes）を構成し、その漸近分布を導出します。

• 擬似観測値: 推定されたパラメータ $\hat{\theta}_n$ とランダム化変数 $V_t$ を用いて、擬似観測値 $e_{n,jt}$ を計算します。
• 経験コピュラ過程: ランクに基づいた経験コピュラ過程 $C_{n,\ell}$ を定義します。
• メビウス変換: 検定力を高め、共分散構造を単純化するために、経験過程に対してメビウス変換（Möbius transformations）を適用します。
• 主要な理論的結果（定理 1, 2, 3）: 帰無仮説の下で、これらの経験過程はパラメータ推定値の影響を受けず、中心ガウス過程（ブラウン橋）に収束することを証明しました。特に、離散成分を含む場合でも、適切なランダム化と条件付き期待値の性質を用いることで、漸近分布がパラメータフリーになることを示しています。

D. 検定統計量

以下の統計量に基づいて独立性を検定します：

1. Cramér–von Mises 型統計量 ($S_{n,A,\ell}$): 経験過程の二乗積分。
2. 一般化クロス相関 ($\hat{r}_{n,A,\ell}$): 標準正規分布に収束する統計量。
3. コピュラベースの依存度指標: スピアマンの順位相関係数、Savage 係数、van der Waerden 係数などの拡張。
4. 結合統計量: 異なるラグや部分集合に対する P 値を結合した統計量（$W_n, F_n, H_n$ など）を提案し、より広範な対立仮説に対する検定力を向上させます。

3. 主要な貢献 (Key Contributions)

1. 分布の一般化: 連続分布だけでなく、離散分布（ポアソンなど）や混合分布（ゼロ過剰モデルなど）を含む「任意の分布」を持つ時系列に対して、独立性検定を可能にしました。
2. 理論的拡張: Duchesne et al. (2012) の確率変動モデルにおける結果を、より広範な一般化誤差モデル（レジームスイッチングモデルを含む）に拡張しました。また、Kheifets and Velasco (2017) の単変量離散データの結果を多変量設定に拡張しました。
3. ランダム化手法の適用と理論的正当性: 離散データに対するランダム化手法（$V_t$ の使用）が、漸近分布にパラメータ依存性を生じさせないことを厳密に証明しました。
4. 実装の提供: 提案されたすべての手法を CRAN パッケージ IndGenErrors として実装し、研究者が容易に利用できるようにしました。

4. 結果 (Results)

数値実験 (Numerical Experiments)

• シミュレーション設定: 連続データ（ガウス HMM）と離散データ（ポアソン HMM、ゼロ過剰モデル）の両方を含むデータ生成プロセス（DGP）を用いて、サンプルサイズ $n=100, 300$ でモンテカルロシミュレーションを行いました。
• 検定レベル: 帰無仮説下での検定レベル（Type I エラー）は、標本サイズが小さくても（$n=100$）、名义水準（5%）に非常に近い値を示しました。
• 検定力:
  • 相関依存性（ガウス、フランク、クレイトンコピュラ）に対して、提案された統計量（特に $W_n$ や $H_n$）は高い検定力を示しました。
  • 非線形依存（テントマップ）に対しても、特定の統計量（$H_n$ や $H_E$）が有効に検出しました。
  • 離散成分を含む場合、単一のランダム化では検定力がわずかに低下しますが、複数のランダム化を平均化（$M$ 回）することで、連続データと同レベルの検定力を回復できることが示されました。
• 実データへの適用:
  • 金融データ（NASDAQ）: Apple, Intel, HP のリターンデータに対して適用。初期モデルでは依存性が検出されましたが、NASDAQ 指数を共変量として含めた AR-Gaussian HMM をフィットさせた後、一般化誤差間の独立性が成立することを確認しました。
  • 犯罪データ（ピッツバーグ）: 強盗（Robbery）と犯罪騒ぎ（CMIS）、自動車窃盗（MVT）のデータに対して適用。個々の系列に INGARCH モデルをフィットさせた後、残りの依存性は統計的に有意でなかった（条件付き独立性が成立）ことを示しました。

5. 意義 (Significance)

この研究は、時系列分析における独立性検定の分野において以下の点で重要な意義を持ちます：

• 実用的な汎用性: 金融（連続値）から犯罪統計や感染症データ（離散値）まで、多様な実世界のデータタイプに適用可能な統一的な検定フレームワークを提供しました。
• モデル選択と診断: 多変量時系列モデルを構築する際、残差（一般化誤差）間に依存性が残っていないかを確認するための強力な診断ツールとなります。これにより、適切な共変量の追加やモデルの再構築が可能になります。
• 理論と実装の橋渡し: 高度な漸近理論を、実際の分析で直接使用可能な R パッケージとして提供することで、研究者や実務家が複雑な依存構造を扱えるようにしました。

総じて、この論文は「任意の分布を持つ時系列の独立性検定」という長年の課題に対し、ランダム化手法とコピュラ理論を組み合わせることで、理論的に厳密かつ実用的な解決策を提示した画期的な研究です。