Fractional lower-order covariance-based measures for cyclostationary time series with heavy-tailed distributions: application to dependence testing and model order identification

1. 問題定義 (Problem)

• 循環定常時系列の限界: 従来の循環定常時系列（Periodically Correlated: PC プロセス）の解析は、平均と自己共分散関数（ACVF）が周期的に変化することを前提としています。これは有限分散を持つガウス分布などのデータには有効ですが、金融データ、環境データ、機械振動データなどに見られる**重尾分布（Outliers を含む、分散が無限大となる分布）**には適用できません。
• 既存手法の欠陥: 分散が無限大の場合、共分散や ACVF は定義できず、したがって PC プロセスの性質も定義できません。これに対処するため、共分散の代替となる依存性尺度（Covariation や Codifference など）が提案されてきましたが、時間領域での循環定常性解析、特に自己回帰移動平均（PARMA）モデルの次数同定や依存性検定に特化した包括的な枠組みは不足していました。
• 目的: 無限分散を持つ循環定常時系列（FLOC-循環定常時系列）に対して、ロバストな自己依存性尺度を定義し、それを用いた依存性検定とモデル次数同定（PAR/PMA モデル）の実用的な手法を提案すること。

2. 提案手法 (Methodology)

論文では、**分数次低次共分散（Fractional Lower-Order Covariance: FLOC）**を基盤とした新しい時系列解析フレームワークを構築しています。

2.1. 基礎概念：FLOC-循環定常性

• FLOC の定義: 2 つの確率変数 $Y_1, Y_2$ に対し、符号付きべき乗 $x^{\langle c \rangle} = |x|^c \text{sgn}(x)$ を用いて、$FLOC(Y_1, Y_2; A, B) = E[Y_1^{\langle A \rangle} Y_2^{\langle B \rangle}]$ と定義されます（$A+B < \alpha$）。
• FLOC-循環定常性: 平均と FLOC ベースの自己共分散関数（FLOACVF）が同じ周期 $T$ で周期的に変化する時系列を「FLOC-循環定常時系列」と定義します。
• モデル: 無限分散を持つ周期性自己回帰移動平均（PARMA）、周期性自己回帰（PAR）、周期性移動平均（PMA）モデルを定義し、これらが FLOC-循環定常性を満たすことを示しました。

2.2. 新しい自己依存性尺度

従来の PC 過程における周期性自己相関関数（peACF）と周期性偏自己相関関数（pePACF）を一般化した 2 つの尺度を提案しました。

1. peFLOACF (Periodic Fractional Lower-Order Autocorrelation Function):
   • FLOACVF を正規化（FLOM=1 となるようにスケーリング）することで定義されます。
   • 特性: PMA モデルにおいて、ラグ $|h| > q$ で値が 0 になる「カットオフ（cut-off）」性質を持ちます。これにより、PMA モデルの次数同定に利用可能です。
2. peFLOPACF (Periodic Fractional Lower-Order Partial Autocorrelation Function):
   • FLOC ベースの Yule-Walker 方程式に基づいて定義されます。
   • 特性: PAR モデルにおいて、ラグ $h > p$ で値が 0 になる「カットオフ」性質を持ちます。これにより、PAR モデルの次数同定に利用可能です。

2.3. 応用アルゴリズム

1. 依存性検定（Portmanteau Test）:
   • peFLOACF を用いた検定統計量 $\kappa_v$ を定義し、FLOC-循環定常時系列が「周期性ホワイトノイズ（peFLOWN）」であるか（依存性がないか）を検定します。
   • ボンフェローニ補正を用いて、周期 $T$ ごとに実施される部分検定の全体誤差率を制御します。
2. モデル次数同定:
   • PAR モデル: peFLOPACF の「カットオフ」点（信頼区間から外れる最大のラグ）を季節ごとの次数 $p(v)$ として特定し、全体の次数 $p$ を決定します。
   • PMA モデル: peFLOACF の「カットオフ」点を同様に利用して次数 $q$ を決定します。
   • 信頼区間は、モンテカルロシミュレーション（$\alpha$-安定分布からの i.i.d. 列）を用いて経験的に構築されます。

3. 主要な貢献 (Key Contributions)

• 理論的拡張: 循環定常性の概念を、共分散が存在しない無限分散のケース（FLOC-循環定常性）へ拡張し、そのための新しい自己依存性尺度（peFLOACF, peFLOPACF）を数学的に定義しました。
• 実用的な手法の確立: 従来の PC 過程解析で使われていた Box-Pierce/Ljung-Box 検定や次数同定手法を、無限分散データに対応する形に一般化しました。
• アルゴリズムの提案: 具体的な検定手順と次数同定アルゴリズムを提示し、これらがシミュレーションおよび実データで機能することを示しました。

4. 結果 (Results)

4.1. モンテカルロシミュレーション

• 依存性検定: PAR および PMA モデル（$\alpha=1.7$）を用いたシミュレーションにおいて、係数の絶対値が大きいほど検出力（Power）が高くなることを確認しました。サンプルサイズが $N_T=1000$ の場合、係数が 0 に近くない限り、ほぼ 100% の検出力を示しました。
• 次数同定:
  • PAR モデルの次数同定では、係数が 0 に近い場合（弱い依存性）はサンプルサイズが小さいと精度が落ちますが、$N_T=1000$ では高い精度を達成しました。
  • PMA モデルの次数同定でも同様の傾向が見られ、係数の絶対値が大きいほど精度が向上しました。
  • 両手法とも、無限分散環境下で実用的な効率性を有することが確認されました。

4.2. 実データ分析（大気汚染データ）

• データ: ブラジル、ヴィトリア市における PM10（粒径 10μm 以下の粒子状物質）の 1 日平均値（2018 年 1 月〜2019 年 6 月、546 観測点）。
• 前処理: 対数変換と週ごとの中心化（Huber 推定量）を施し、$\alpha=1.9$ の対称$\alpha$-安定分布を仮定しました。
• 解析結果:
  • 依存性検定: peFLOACF を用いた検定により、週内のほとんどの曜日（$v=1\sim6$）で有意な依存性が検出されました。
  • 次数同定: peFLOPACF の「カットオフ」性質に基づき、PAR モデルの次数を同定しました（曜日によって次数が異なり、最大で 3 次）。
  • 適合度評価: 同定されたモデルの残差を分析したところ、残差の peFLOACF/peFLOPACF は信頼区間内に収まり、依存性がなくなっていることが確認されました。また、残差から推定された $\alpha$ 値（1.89）は仮定値（1.9）と一致しました。

5. 意義と結論 (Significance and Conclusion)

• 実用性の向上: 従来のガウス分布を仮定した手法では扱えなかった、外れ値の多い重尾分布を持つ循環定常データ（環境モニタリング、通信、金融など）を分析できる新しいツールのセットを提供しました。
• ロバスト性: 分散が無限大であっても、分数次モーメントが有限であれば解析可能なため、現実世界の複雑な現象モデルリングに極めて有効です。
• 将来展望: 本研究で提案された手法は、循環定常性の理論を非ガウス・無限分散領域へ拡張する重要な一歩であり、今後の非定常信号処理や複雑な機械構造の監視技術への応用が期待されます。

総じて、この論文は、重尾分布を持つ循環定常時系列の解析において、共分散に代わる FLOC を基盤とした堅牢で効率的な統計的推論フレームワークを確立した点に大きな意義があります。