Enviar búsqueda
Cargar
状態空間モデルの考え方・使い方 - TokyoR #38
•
91 recomendaciones
•
38,291 vistas
horihorio
Seguir
Ciencias
Denunciar
Compartir
Denunciar
Compartir
1 de 37
Descargar ahora
Descargar para leer sin conexión
Recomendados
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
最適化超入門
最適化超入門
Takami Sato
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
pymcとpystanでベイズ推定してみた話
pymcとpystanでベイズ推定してみた話
Classi.corp
機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)
Kota Matsui
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
Naoki Hayashi
相関と因果について考える:統計的因果推論、その(不)可能性の中心
相関と因果について考える:統計的因果推論、その(不)可能性の中心
takehikoihayashi
Recomendados
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
最適化超入門
最適化超入門
Takami Sato
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
pymcとpystanでベイズ推定してみた話
pymcとpystanでベイズ推定してみた話
Classi.corp
機械学習による統計的実験計画(ベイズ最適化を中心に)
機械学習による統計的実験計画(ベイズ最適化を中心に)
Kota Matsui
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
Naoki Hayashi
相関と因果について考える:統計的因果推論、その(不)可能性の中心
相関と因果について考える:統計的因果推論、その(不)可能性の中心
takehikoihayashi
階層ベイズによるワンToワンマーケティング入門
階層ベイズによるワンToワンマーケティング入門
shima o
階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
Deep Learning Lab(ディープラーニング・ラボ)
心理学者のためのGlmm・階層ベイズ
心理学者のためのGlmm・階層ベイズ
Hiroshi Shimizu
『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会
takehikoihayashi
2 3.GLMの基礎
2 3.GLMの基礎
logics-of-blue
心理学におけるベイズ統計の流行を整理する
心理学におけるベイズ統計の流行を整理する
Hiroshi Shimizu
関数データ解析の概要とその方法
関数データ解析の概要とその方法
Hidetoshi Matsui
ベイズファクターとモデル選択
ベイズファクターとモデル選択
kazutantan
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
RyuichiKanoh
StanとRでベイズ統計モデリング読書会(Osaka.stan) 第6章
StanとRでベイズ統計モデリング読書会(Osaka.stan) 第6章
Shushi Namba
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
hoxo_m
ベイズモデリングと仲良くするために
ベイズモデリングと仲良くするために
Shushi Namba
階層ベイズと自由エネルギー
階層ベイズと自由エネルギー
Hiroshi Shimizu
100614 構造方程式モデリング基本の「き」
100614 構造方程式モデリング基本の「き」
Shinohara Masahiro
ブートストラップ法とその周辺とR
ブートストラップ法とその周辺とR
Daisuke Yoneoka
因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説
Shiga University, RIKEN
潜在クラス分析
潜在クラス分析
Yoshitake Takebayashi
全力解説!Transformer
全力解説!Transformer
Arithmer Inc.
変分ベイズ法の説明
変分ベイズ法の説明
Haruka Ozaki
分析のビジネス展開を考える―状態空間モデルを例に @TokyoWebMining #47
分析のビジネス展開を考える―状態空間モデルを例に @TokyoWebMining #47
horihorio
R実践 機械学習による異常検知 01
R実践 機械学習による異常検知 01
akira_11
Más contenido relacionado
La actualidad más candente
階層ベイズによるワンToワンマーケティング入門
階層ベイズによるワンToワンマーケティング入門
shima o
階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
Deep Learning Lab(ディープラーニング・ラボ)
心理学者のためのGlmm・階層ベイズ
心理学者のためのGlmm・階層ベイズ
Hiroshi Shimizu
『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会
takehikoihayashi
2 3.GLMの基礎
2 3.GLMの基礎
logics-of-blue
心理学におけるベイズ統計の流行を整理する
心理学におけるベイズ統計の流行を整理する
Hiroshi Shimizu
関数データ解析の概要とその方法
関数データ解析の概要とその方法
Hidetoshi Matsui
ベイズファクターとモデル選択
ベイズファクターとモデル選択
kazutantan
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
RyuichiKanoh
StanとRでベイズ統計モデリング読書会(Osaka.stan) 第6章
StanとRでベイズ統計モデリング読書会(Osaka.stan) 第6章
Shushi Namba
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
hoxo_m
ベイズモデリングと仲良くするために
ベイズモデリングと仲良くするために
Shushi Namba
階層ベイズと自由エネルギー
階層ベイズと自由エネルギー
Hiroshi Shimizu
100614 構造方程式モデリング基本の「き」
100614 構造方程式モデリング基本の「き」
Shinohara Masahiro
ブートストラップ法とその周辺とR
ブートストラップ法とその周辺とR
Daisuke Yoneoka
因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説
Shiga University, RIKEN
潜在クラス分析
潜在クラス分析
Yoshitake Takebayashi
全力解説!Transformer
全力解説!Transformer
Arithmer Inc.
変分ベイズ法の説明
変分ベイズ法の説明
Haruka Ozaki
La actualidad más candente
(20)
階層ベイズによるワンToワンマーケティング入門
階層ベイズによるワンToワンマーケティング入門
階層ベイズとWAIC
階層ベイズとWAIC
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
一般化線形モデル (GLM) & 一般化加法モデル(GAM)
心理学者のためのGlmm・階層ベイズ
心理学者のためのGlmm・階層ベイズ
『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会
2 3.GLMの基礎
2 3.GLMの基礎
心理学におけるベイズ統計の流行を整理する
心理学におけるベイズ統計の流行を整理する
関数データ解析の概要とその方法
関数データ解析の概要とその方法
ベイズファクターとモデル選択
ベイズファクターとモデル選択
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
StanとRでベイズ統計モデリング読書会(Osaka.stan) 第6章
StanとRでベイズ統計モデリング読書会(Osaka.stan) 第6章
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
ベイズモデリングと仲良くするために
ベイズモデリングと仲良くするために
階層ベイズと自由エネルギー
階層ベイズと自由エネルギー
100614 構造方程式モデリング基本の「き」
100614 構造方程式モデリング基本の「き」
ブートストラップ法とその周辺とR
ブートストラップ法とその周辺とR
因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説
潜在クラス分析
潜在クラス分析
全力解説!Transformer
全力解説!Transformer
変分ベイズ法の説明
変分ベイズ法の説明
Destacado
分析のビジネス展開を考える―状態空間モデルを例に @TokyoWebMining #47
分析のビジネス展開を考える―状態空間モデルを例に @TokyoWebMining #47
horihorio
R実践 機械学習による異常検知 01
R実践 機械学習による異常検知 01
akira_11
異常行動検出入門 – 行動データ時系列のデータマイニング –
異常行動検出入門 – 行動データ時系列のデータマイニング –
Yohei Sato
セグメンテーションの考え方・使い方 - TokyoR #44
セグメンテーションの考え方・使い方 - TokyoR #44
horihorio
ベイジアンモデリングによるマーケティングサイエンス〜状態空間モデルを用いたモデリング
ベイジアンモデリングによるマーケティングサイエンス〜状態空間モデルを用いたモデリング
宏喜 佐野
Pystan for nlp
Pystan for nlp
Xiangze
マーケティングサイエンス徹底入門と実践Part2
マーケティングサイエンス徹底入門と実践Part2
宏喜 佐野
一般化線形混合モデル入門の入門
一般化線形混合モデル入門の入門
Yu Tamura
状態空間モデル等による多変量時系列データ解析
状態空間モデル等による多変量時系列データ解析
businessanalytics
PyMC mcmc
PyMC mcmc
Xiangze
時系列解析の使い方 - TokyoWebMining #17
時系列解析の使い方 - TokyoWebMining #17
horihorio
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
. .
カルマンフィルタについて
カルマンフィルタについて
tiny_ak
Amazon S3を中心とするデータ分析のベストプラクティス
Amazon S3を中心とするデータ分析のベストプラクティス
Amazon Web Services Japan
ロジスティック回帰の考え方・使い方 - TokyoR #33
ロジスティック回帰の考え方・使い方 - TokyoR #33
horihorio
Destacado
(15)
分析のビジネス展開を考える―状態空間モデルを例に @TokyoWebMining #47
分析のビジネス展開を考える―状態空間モデルを例に @TokyoWebMining #47
R実践 機械学習による異常検知 01
R実践 機械学習による異常検知 01
異常行動検出入門 – 行動データ時系列のデータマイニング –
異常行動検出入門 – 行動データ時系列のデータマイニング –
セグメンテーションの考え方・使い方 - TokyoR #44
セグメンテーションの考え方・使い方 - TokyoR #44
ベイジアンモデリングによるマーケティングサイエンス〜状態空間モデルを用いたモデリング
ベイジアンモデリングによるマーケティングサイエンス〜状態空間モデルを用いたモデリング
Pystan for nlp
Pystan for nlp
マーケティングサイエンス徹底入門と実践Part2
マーケティングサイエンス徹底入門と実践Part2
一般化線形混合モデル入門の入門
一般化線形混合モデル入門の入門
状態空間モデル等による多変量時系列データ解析
状態空間モデル等による多変量時系列データ解析
PyMC mcmc
PyMC mcmc
時系列解析の使い方 - TokyoWebMining #17
時系列解析の使い方 - TokyoWebMining #17
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
『予測にいかす統計モデリングの基本』の売上データの分析をトレースしてみた
カルマンフィルタについて
カルマンフィルタについて
Amazon S3を中心とするデータ分析のベストプラクティス
Amazon S3を中心とするデータ分析のベストプラクティス
ロジスティック回帰の考え方・使い方 - TokyoR #33
ロジスティック回帰の考え方・使い方 - TokyoR #33
Similar a 状態空間モデルの考え方・使い方 - TokyoR #38
SEMを用いた縦断データの解析 潜在曲線モデル
SEMを用いた縦断データの解析 潜在曲線モデル
Masaru Tokuoka
第7回 KAIM 金沢人工知能勉強会 回帰分析と使う上での注意事項
第7回 KAIM 金沢人工知能勉強会 回帰分析と使う上での注意事項
tomitomi3 tomitomi3
20170618論文読み会 伊藤
20170618論文読み会 伊藤
Tomoki Itou
順序データでもベイズモデリング
順序データでもベイズモデリング
. .
これからの仮説検証・モデル評価
これからの仮説検証・モデル評価
daiki hojo
20130901_survey_nagoya
20130901_survey_nagoya
Takanori Hiroe
[DL輪読会]Shaping Belief States with Generative Environment Models for RL
[DL輪読会]Shaping Belief States with Generative Environment Models for RL
Deep Learning JP
反応時間データをどう分析し図示するか
反応時間データをどう分析し図示するか
SAKAUE, Tatsuya
Rブートキャンプ
Rブートキャンプ
Kosuke Sato
多変量解析の授業(駒場キャンパス)の演習で話すために作った資料
多変量解析の授業(駒場キャンパス)の演習で話すために作った資料
Toshiyuki Shimono
[DL輪読会]Meta-Learning Probabilistic Inference for Prediction
[DL輪読会]Meta-Learning Probabilistic Inference for Prediction
Deep Learning JP
Tokyo.R #46 Cox比例ハザードモデルとその周辺
Tokyo.R #46 Cox比例ハザードモデルとその周辺
kikurage1001
SappoRoR #3 (2014) R入門
SappoRoR #3 (2014) R入門
Daisuke Nakanishi
Similar a 状態空間モデルの考え方・使い方 - TokyoR #38
(13)
SEMを用いた縦断データの解析 潜在曲線モデル
SEMを用いた縦断データの解析 潜在曲線モデル
第7回 KAIM 金沢人工知能勉強会 回帰分析と使う上での注意事項
第7回 KAIM 金沢人工知能勉強会 回帰分析と使う上での注意事項
20170618論文読み会 伊藤
20170618論文読み会 伊藤
順序データでもベイズモデリング
順序データでもベイズモデリング
これからの仮説検証・モデル評価
これからの仮説検証・モデル評価
20130901_survey_nagoya
20130901_survey_nagoya
[DL輪読会]Shaping Belief States with Generative Environment Models for RL
[DL輪読会]Shaping Belief States with Generative Environment Models for RL
反応時間データをどう分析し図示するか
反応時間データをどう分析し図示するか
Rブートキャンプ
Rブートキャンプ
多変量解析の授業(駒場キャンパス)の演習で話すために作った資料
多変量解析の授業(駒場キャンパス)の演習で話すために作った資料
[DL輪読会]Meta-Learning Probabilistic Inference for Prediction
[DL輪読会]Meta-Learning Probabilistic Inference for Prediction
Tokyo.R #46 Cox比例ハザードモデルとその周辺
Tokyo.R #46 Cox比例ハザードモデルとその周辺
SappoRoR #3 (2014) R入門
SappoRoR #3 (2014) R入門
状態空間モデルの考え方・使い方 - TokyoR #38
1.
状態空間モデルの 考え方・使い方 TokyoR #38 2014/4/19 @horihorio
2.
自己紹介 1 / 362014/4/19 •
Twitter ID: @horihorio • お仕事: 分析コンサルタント • 興味: 統計色々/DB/R/Finance/金融業/会計 • 過去の発表: ここ • 最近の出来事 • 金融業以外の分析にも進出 • 主に週末は子ども(そろそろ2歳)の相手中 • 4月から何故か転職した 状態空間モデルの考え方・使い方
3.
紹介しないこと 2 / 362014/4/19
状態空間モデルの考え方・使い方 1. Rの色々な操作 2. 線型回帰の説明 ⇒ 前提知識とします 3. 状態空間モデルの色々な理論 ! 別の本や資料を見て下さい !
4.
対象:時間経過に伴い変わるもの(アクセス数、株価…) ↑の変化を数式表現したもの 例えば:(最初に学ぶ)ARIMAモデルで Web会員登録者数を予測 𝑦𝑡 = 0.86𝑦𝑡−1
+ 0.34𝑦𝑡−2 + 𝜀𝑡−1 + ⋯ 時系列モデルって 入力:過去の値 出力:将来の値 で、なに? 3 / 362014/4/19 状態空間モデルの考え方・使い方
5.
状態空間モデルの完成イメージ 4 / 362014/4/19
状態空間モデルの考え方・使い方 同じく Web会員登録者数を予測 𝑦𝑡 = 𝐻𝑡 𝑥 𝑡 + 𝑤𝑡 (観測方程式) 𝑥 𝑡 = 𝐹𝑡 𝑥 𝑡−1 + 𝐺𝑡 𝑣 𝑡 (状態方程式) • 𝑦𝑡 : Web会員登録者数 • 𝑥 𝑡 : SEO, Listing, TVCMコスト、キャンペーン、etc… + 見えない状態(後述) などのベクトル (参考 𝑣𝑡, 𝑤𝑡: ノイズ, 𝐹𝑡, 𝐺𝑡, 𝐻𝑡: 係数) 入力:色々な要因 出力:将来の値 構造が 見える 次何する? を考える
6.
今回のメッセージ 5 / 362014/4/19
状態空間モデルの考え方・使い方 これを、何回も繰り返すだけ 状態空間モデルは、 線型モデルの拡張!
7.
アジェンダ 6 / 362014/4/19
状態空間モデルの考え方・使い方 1 線型回帰の拡張とは? • ↑を考えることで、状態空間モデルの発想に 慣れてください 2 状態空間モデルの考え方 • 状態空間モデルの得意な面、不得意な面の 両方を知ってください 3 状態空間モデルの使い方 • 得意/不得意を踏まえ、ではどう使うべきか? を考えていきましょう
8.
7 / 362014/4/19
状態空間モデルの考え方・使い方 1.線型回帰の拡張とは?
9.
【中学の復習】切片とは? 例: 𝑦 =
2 + 𝑥/2 𝑥 = 0 のとき 𝑦 = 2 。これを切片という。 言いかえ: • 説明変数と 無関係のゲタ • 現状の持ち点 8 / 362014/4/19 状態空間モデルの考え方・使い方 𝑥0 𝑦 2 切片
10.
状態空間モデルの式 𝑦𝑡 = 𝐻𝑡
𝑥 𝑡 + 𝑤𝑡 (観測方程式) 𝑥 𝑡 = 𝐹𝑡 𝑥 𝑡−1 + 𝐺𝑡 𝑣 𝑡 (状態方程式) • 𝑥 𝑡 : 状態 • 𝑣 𝑡 : 状態ノイズ(平均ゼロの正規分布) • 𝑦𝑡 : 観測値 • 𝑤𝑡 : 観測ノイズ(平均ゼロの正規分布) • 𝐹𝑡, 𝐺𝑡, 𝐻𝑡 : それぞれ 𝑘 × 𝑘, 𝑘 × 𝑚, 𝑙 × 𝑘 の行列 9 / 362014/4/19 状態空間モデルの考え方・使い方 これをいきなり理解する、って難しい。。。 両者を 同時推定
11.
話を簡単に。状態を一定とすると… 状態空間モデルの式 𝑦𝑡 = 𝐻𝑡
𝑥 𝑡 + 𝑤𝑡 (観測方程式) 𝑥 𝑡 = 𝐹𝑡 𝑥 𝑡−1 + 𝐺𝑡 𝑣 𝑡 (状態方程式) • 𝑥𝑡 : 状態 𝑥𝑡 : 説明変数 • 𝑣 𝑡 : 状態ノイズ(平均ゼロの正規分布) • 𝑦𝑡 : 観測値 • 𝑤𝑡 : 観測ノイズ(平均ゼロの正規分布) 単なる 重回帰 10 / 362014/4/19 状態空間モデルの考え方・使い方 本報告で言いたい たった一つのこと
12.
では状態方程式って 11 / 362014/4/19
状態空間モデルの考え方・使い方 𝑦𝑡 = 𝐻𝑡 𝑥 𝑡 + 𝑤𝑡 (観測方程式) 𝑥 𝑡 = 𝐹𝑡 𝑥 𝑡−1 + 𝐺𝑡 𝑣 𝑡 (状態方程式) • 𝑥𝑡 : 状態 • 𝑣 𝑡 : 状態ノイズ(平均ゼロの正規分布) • 𝑦𝑡 : 観測値 • 𝑤𝑡 : 観測ノイズ(平均ゼロの正規分布) 𝑥 𝑡 = 𝑆𝐸𝑂𝑡 𝐿𝑖𝑠𝑡𝑖𝑛𝑔𝑡 𝑇𝑉𝐶𝑀𝑡 𝐶𝑎𝑚𝑝𝑎𝑖𝑔𝑛𝐹𝐿𝐺𝑡 … 状態 𝑡 説明変数 切片
13.
状態方程式って 12 / 362014/4/19
状態空間モデルの考え方・使い方 まとめると: 説明変数 + 時間とともに動く切片 ⇒「ゲタ」が都合よく動くので、柔軟性が高い • なことは、 以下Blogに書いている http://logics-of-blue.com/ローカルレベルモデル/
14.
その他状態空間モデルのご利益 13 / 362014/4/19
状態空間モデルの考え方・使い方 • 状態方程式、観測方程式の両方を同時推定している • モデル作成→残差を目的変数とし更にモデル、ではない • データの増加や、昔から現在へと進むに連れて、 勝手に係数が更新される ⇒(平たく言えば)勝手に賢くなる • 正確に言えば:予測分布、フィルタ分布、平準化分布を 順次推定&更新する • 弾道ミサイルの計算に採用された理由かも? 等々。詳しくは参考文献を。
15.
14 / 362014/4/19
状態空間モデルの考え方・使い方 2.状態空間モデルの考え方
16.
状態空間モデル=時系列モデル+線型モデル 使い方も足し算?なお話デス 時系列モデル&線型回帰モデル 15 / 362014/4/19
状態空間モデルの考え方・使い方 時系列 モデル 線型 モデル 状態空間モデル
17.
発想: 過去の自分から、将来の自分を当てたい ARIMAモデルの場合 𝑥 𝑡
= 𝑎𝑖 𝑥𝑡−𝑖 + 𝑒𝑡 𝑝 𝑖=1 + 𝑏𝑖 𝜀𝑡−𝑖 + 𝜀𝑡 𝑞 𝑖=1 AR (自己回帰) MA (移動平均) I (和分) 誤差項 16 / 362014/4/19 状態空間モデルの考え方・使い方 時系列モデルとは?
18.
時系列モデルとは? (線型モデルと比較しての)メリット/デメリット例: • メリット • 理論面:
観測値どおしの相関が導入されている • 実務面: データ収集がそこそこ簡単 • デメリット • 理論面: 誤差が累積するので、長期予測はダメ • 実務面: そんなに観測点は多くない、解釈し難い 17 / 362014/4/19 状態空間モデルの考え方・使い方
19.
線型モデルとは? 略w (時系列モデルと比較しての)メリット/デメリット例: • メリット •
理論面: (基本モデルなので)道具や対応法が豊富 • 実務面: データ数大、結果解釈が容易な場合も • デメリット • 理論面: 「変数間が独立」の仮定が厳しい… • 実務面: データ収集、前処理工数が膨大 18 / 362014/4/19 状態空間モデルの考え方・使い方
20.
では状態空間モデルとは? 理論面を話しても面白く無いので、実務面では: • メリット • 時系列の構造が可視化できる •
状態成分で、明示的に周期性・トレンドが導入可能 • デメリット • よく部分最適解に陥り、変な係数が出てくる • 計算コスト(時間・工数)が高い ⇒モデル更新を ためらってしまいがち 19 / 362014/4/19 状態空間モデルの考え方・使い方
21.
20 / 362014/4/19
状態空間モデルの考え方・使い方 3.状態空間モデルの使い方
22.
要は、一番基礎的なカルマンフィルタですが、 時間と体力&気力的に無理でした…。 おわびに: 実務で使ってみての個人的FAQを列挙 でお茶を濁しマス 本当はやりたかったこと:パッケージdlmを使った、 TOPIXとCI先行指数の各成分との分析例 最初におわび 21 / 362014/4/19
状態空間モデルの考え方・使い方
23.
線型回帰: 結構対応可能 (ただし、IT/数理両面での前処理技術に依存 ) 状態空間: 結構無理 観測点が少ないため、変数数が少なくなりがち (次ページ参照) ⇒ ヒヤリング&コミュニケーション時の留意事項 効果として、これも、あれも、…考えられるけど、 モデルに是非とも盛り込めない? ケース1 22
/ 362014/4/19 状態空間モデルの考え方・使い方
24.
「変数数が少なくなりがち」な理由 線型回帰 時系列 23 /
362014/4/19 状態空間モデルの考え方・使い方 ケース1 データ セット (非ゼロ) 観 測 数 N 候補変数数 M データセット (非ゼロ) 観 測 数 N 候補変数数 M 𝑁 ≤ 𝑀 3年間の月次データならば、 方程式の最大変数数は36 ですよね…
25.
明示するには: 説明変数に導入すれば良い。 (FLGを入れる、sin/cos成分を入れる、等々) ただ問題点: 説明変数数はそう増やせない (理由は、ケース1のとおり) ⇒対象の周期成分が強いならば、ARIMAモデルの方が むしろ適当といえる。 漠然と「状態」で説明されても困る。 年間、週次での周期成分は明示できないか? ケース2 24 /
362014/4/19 状態空間モデルの考え方・使い方
26.
まずVARモデルとは? ⇒ ARモデルの多変数版 𝑋𝑡
= 𝐴𝑖 𝑋𝑡−𝑖 𝑝 𝑖=1 違いは、係数の決定時点 • VAR: 推定時点&期間でのスナップショット • 状態空間: 逐次更新される VARモデルも、他の変数効果が導入できる。 状態空間モデルとの違いは? ケース3 25 / 362014/4/19 状態空間モデルの考え方・使い方 将来予測の際、状態空間では「将来の状態」に ついての仮定が導入可能。VARは何も出来ない。
27.
説明変数に自己回帰(𝑦𝑡−1, 𝑦𝑡−2, ⋯
)を入れて良いか? 私がむしろ聞きたい(わりとマジで) 今のところ… 入れないことにしている • 理論面: 単位根(次ページ参照)が怖い • 実務面: 説明変数を解釈する際、循環参照になる ⇒ 実質、解釈できない 26 / 362014/4/19 状態空間モデルの考え方・使い方 ケース4
28.
そもそも単位根とは一体? 詳細は、TJOさんHPや、右の資料とか 端的にいえば: 𝑦𝑡 = 𝛽
+ 𝛼𝑦𝑡−1 を仮定して係数を推定する際、もし 𝛼 が1に近いと (ランダム・ウォーク)、t 統計量が発散(𝑝値→0)する。 ⇒ ランダム・ウォークなので、将来予測が全く当たらない、 「高度に有意」なモデルとなってしまうorz 27 / 362014/4/19 状態空間モデルの考え方・使い方 ケース4(補足)
29.
係数推定の際、尤度が部分最適解にならないか? • はい。大概なりますw • 実務的には •
部分最適解でも、大幅な業務効率改善になる • 同じ労力ならば、必死にGlobal Optimal求めるより、 お客様と、運用や活用法を相談する方が 報われることの方が多い、との実感 28 / 362014/4/19 状態空間モデルの考え方・使い方 ケース5
30.
その他何かあります? • ネタ切れなので、会場に丸投げw • 質問は、資料UPDATEの際に反映させる、 かも知れません 29
/ 362014/4/19 状態空間モデルの考え方・使い方 ケース6
31.
30 / 362014/4/19
状態空間モデルの考え方・使い方 まとめ
32.
ビジネスでのデータ分析って 31 / 362014/4/19
状態空間モデルの考え方・使い方 ビジネスの場合 • 分析して儲かる • 相手が納得する が大前提。 で • 「翻訳」の妥当性 • 「1.から2.」&「A)からB)」の両方が妥当か の両方を詰めるのは大変、だけど面白いです。 1. ビジネスの問題を A) 数学の問題に翻訳し B) 問題を数学的に解いて 2. 再度ビジネス世界に翻訳
33.
• J. D.
Hamilton, “Time Series Analysis,” Princeton Univ. Press, 1994 和訳:沖本・井上(上下巻)、シーエーピー出版、2006年 は絶版 • 北川源四朗 『時系列解析入門』 岩波書店、2005年 →中級者向け理論書。状態空間モデルベースの解説 • J.J.F.コマンダー、S.J.クープマン、和合肇(訳) 『状態空 間時系列分析入門』 シーエーピー出版、2008年 →具体的にデータを分析している過程もあり 参考文献 32 / 362014/4/19 状態空間モデルの考え方・使い方
34.
33 / 362014/4/19
状態空間モデルの考え方・使い方 Appendix
35.
過去の Tokyo.R. で触れられた資料 http://lab.sakaue.info/wiki.cgi/JapanR2010?page=%CA%D9%B6%AF%B2%F1 %C8%AF%C9%BD%C6%E2%CD%C6%B0%EC%CD%F7#p15 ARIMAでないが 関連して 34
/ 362014/4/19 状態空間モデルの考え方・使い方 時系列モデルの解説
36.
使い方に側面を当てると... http://www.slideshare.net/horihorio/howtousetimeseries 35 / 362014/4/19
状態空間モデルの考え方・使い方 時系列モデルの解説 とりあえず 自己営業w
37.
(一般化)線型モデルでの仮定 数点キツイ仮定を置いていることに留意 1. 各観測値は独立 ⇒ 時系列データではありえない 「状態空間は重回帰の拡張」は、この点で若干ウソ 2.
残差の分布が分かっている 3. 分散の構造が分かっている 4. 説明変数に何か変換(リンク関数)をし、線型結合する ことで、応答変数が表現できる 引用源:R-bloggersより(→これオススメ!) http://www.r-bloggers.com/checking-glm-model-assumptions-in-r/ 36 / 362014/4/19 状態空間モデルの考え方・使い方
Descargar ahora