🦔

時系列解析 記号チートシート

2022/08/13に公開

時系列解析

名称 記号 意味
時系列データ y_{1:T} {y_1, ..., y_T}
期待値 E(x)
E[f(x)]
\int{xp(x)dx}
\int{f(x)p(x)dx}
分散 Var(x) E[(x-E[x])^2]=\int{(x-E[x])^2p(x)dx}
共分散 Cov(x,y) E{[x-E(x)][y-E(y)]}
弱定常 \mu_t+k =\mu_t
\sigma^2_t+k = \sigma^2_t
Cov(y_s+k, y_t+k)=Cov(y_s, y_t)
weakly stationary
強定常 f(y_{t_1}+k, ..., y_{t_m}+k)=f(y_{t_1},...,y_{t_m}) Strongly stationary
自己共分散関数 Cov(y_t, y_{t+k})=C_k 弱定常を満たす場合tによらずラグkのみに依存する
標本自己共分散関数 \hat{C_k}=\frac{1}{n}\sum^{n-k}_{t=1}(y_t-\bar{y})(y_{t+k}-\bar{y}) 標本集団から求めた自己共分散関数
自己相関関数 Corr(y_t,y_{t+k})=\frac{Cov(y_t,y_{t+k})}{\sqrt{(Var(y_t)Var(y_{t_k}))}} k=0に対するあるkの自己共分散関数
偏自己相関関数 \frac{Cov(y_t-\hat{y_t},y_{t-k}-\hat{y_{t-k}})}{\sqrt{(Var(y_t-\hat{y_t})Var(y_{t-k}-\hat{y_{t-k}}))}} k-1時点までの影響が取り除かれた自己相関
標本自己相関関数 \hat{R_k}=\frac{\hat{C_k}}{\hat{C_0}}, k=0,1,...,n 標本集団から求めた自己相関関数
グラフ化した図はコレログラムと呼ばれる
正規分布 x\thicksim N(\mu, \sigma) xは平均\mu分散\sigmaの正規分布に従う
ホワイトノイズ E(\epsilon_t)=0
Cov(\epsilon_t, \epsilon_{t-k})=\begin{cases} \sigma^2 & (k=0) \\ 0 & (k\neq0) \end{cases}
期待値が0であり、分散が一定であり、自己共分散が0である
未来を予測する情報がない純粋な雑音
ランダムウォーク y_t=y_{t-1}+\epsilon_t, \epsilon \thicksim N(0, \sigma^2) ホワイドノイズの累積和
ドリフト率 y_t=\delta+y_{t-1}+\epsilon_t, \epsilon \thicksim N(0, \sigma^2) 線形トレンドを加えたランダムウォーク

ベイズ統計

名称 記号 意味
周辺密度関数 p(x) \int p(x,y)dy
条件付き密度関数 p(x|y) \frac{p(x,y)}{p(y)}
ベイズの定理 p(x|y)=\frac{p(y|x)p(x)}{p(y)}=\frac{p(y|x)p(x)}{\int p(y|x)p(x)dx} p(x|y)を事後確率、p(y|x)を尤度、p(x)を事前確率と呼ぶ
事後同時分布 p(x_{1:T}|{y_{1:T}}) 全ての観測値に対する全ての状態の条件付き確率
MCMCにより計算
事後周辺分布 p(x_t|{y_{1:t'}}) ある区間の観測値に対する現在の状態の条件付き確率
逐次ベイズフィルタにより計算
条件付き期待値 E[f(x)|y] \int f(x)p(x|y)dx
f(x)はxの実数値関数
条件付き平均 E(x|y) \int xp(x|y)dx

状態空間モデル

線形・ガウス型状態空間モデル

名称 記号 意味
状態変数 x_t 潜在変数
観測変数 y_t 観測値
状態方程式
システム方程式
x_t=f(x_{t-1}, \sigma_{w_t}) \sigma_{w_t}を状態雑音,過程誤差と呼ぶ
観測方程式 y_t=h(x_t, \sigma_{v_t}) \sigma_{v_t}を観測雑音,観測誤差と呼ぶ
一期先予測 \mu_{w_t}=E(x_t|Y_{t-1}) 条件付き期待値
予測誤差分散 \sigma_{w_t}=Var(x_t|Y_{t-1}) 条件付き分散
一期先予測分布 p(x_t|y_{1:t-1}) 一期前のフィルタリング分布で状態を時間発展させたもの
一期先予測尤度 p(y_t|y_{1:t-1}) 規格化定数
フィルタ化推定量 \mu_{w_{t|t}}=E(x_t|Y_t) 一期先予測分布から求める
推定誤差分散 \sigma_{w_{t|t}}=Var(x_t|Y_{t-1}) 同様
フィルタ分布 p(x_t|y_{1:t}) 一期先予測分布を尤度で補正したもの
一期先予測誤差 v_t=y_t-\mu_{w_t} イノベーション
一期先予測分散 F_t=Var(v_t|Y_{t-1}) イノベーションの条件付き分散
平滑化状態 \hat{\mu_{w_t}}=E(x_t|Y_n) 未来の観測値から状態を補正
平滑化状態分散 \hat{\sigma_{w_t}}=Var(x_t|Y_n) 同様
平滑化分布 p(x_t|y_{1:T}) 知識発見に有用

一般状態空間モデル

名称 記号 意味
実効サンプル数 N_e サンプル間に相関がないと想定し場合のサンプル数
chain 異なる初期値ごとのサンプリング列
thinning サンプリング頻度
warm up サンプル列から除外するステップの期間
粒子 x^(n)_t tにおけるn個目の粒子
重み w^(n)_t tにおけるn個目の重み
補助変数列 k=\{k_1,...,k_n\} 補助粒子フィルタの1回目のリサンプリングのインデックス

Discussion