Suche senden
Hochladen
状態空間モデルの考え方・使い方 - TokyoR #38
•
90 gefällt mir
•
38,158 views
horihorio
Folgen
Wissenschaft
Melden
Teilen
Melden
Teilen
1 von 37
Jetzt herunterladen
Downloaden Sie, um offline zu lesen
Empfohlen
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
変分ベイズ法の説明
変分ベイズ法の説明
Haruka Ozaki
階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
最適輸送入門
最適輸送入門
joisino
劣モジュラ最適化と機械学習1章
劣モジュラ最適化と機械学習1章
Hakky St
最適化超入門
最適化超入門
Takami Sato
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
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
Empfohlen
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
変分ベイズ法の説明
変分ベイズ法の説明
Haruka Ozaki
階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
最適輸送入門
最適輸送入門
joisino
劣モジュラ最適化と機械学習1章
劣モジュラ最適化と機械学習1章
Hakky St
最適化超入門
最適化超入門
Takami Sato
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
Stan超初心者入門
Stan超初心者入門
Hiroshi Shimizu
深層生成モデルと世界モデル
深層生成モデルと世界モデル
Masahiro Suzuki
幾何を使った統計のはなし
幾何を使った統計のはなし
Toru Imai
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
時系列分析による異常検知入門
時系列分析による異常検知入門
Yohei Sato
パターン認識と機械学習入門
パターン認識と機械学習入門
Momoko Hayamizu
カルマンフィルタ入門
カルマンフィルタ入門
Yasunori Nihei
MICの解説
MICの解説
logics-of-blue
PyTorchLightning ベース Hydra+MLFlow+Optuna による機械学習開発環境の構築
PyTorchLightning ベース Hydra+MLFlow+Optuna による機械学習開発環境の構築
Kosuke Shinoda
負の二項分布について
負の二項分布について
Hiroshi Shimizu
Optimizer入門&最新動向
Optimizer入門&最新動向
Motokawa Tetsuya
社会心理学者のための時系列分析入門_小森
社会心理学者のための時系列分析入門_小森
Masashi Komori
数式を(ちょっとしか)使わずに隠れマルコフモデル
数式を(ちょっとしか)使わずに隠れマルコフモデル
Yuya Takashina
2 3.GLMの基礎
2 3.GLMの基礎
logics-of-blue
[DL輪読会]Decision Transformer: Reinforcement Learning via Sequence Modeling
[DL輪読会]Decision Transformer: Reinforcement Learning via Sequence Modeling
Deep Learning JP
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展
Shiga University, RIKEN
CV分野におけるサーベイ方法
CV分野におけるサーベイ方法
Hirokatsu Kataoka
2014 3 13(テンソル分解の基礎)
2014 3 13(テンソル分解の基礎)
Tatsuya Yokota
失敗から学ぶ機械学習応用
失敗から学ぶ機械学習応用
Hiroyuki Masuda
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
Akira Masuda
混合モデルとEMアルゴリズム(PRML第9章)
混合モデルとEMアルゴリズム(PRML第9章)
Takao Yamanaka
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
Weitere ähnliche Inhalte
Was ist angesagt?
深層生成モデルと世界モデル
深層生成モデルと世界モデル
Masahiro Suzuki
幾何を使った統計のはなし
幾何を使った統計のはなし
Toru Imai
Stanコードの書き方 中級編
Stanコードの書き方 中級編
Hiroshi Shimizu
時系列分析による異常検知入門
時系列分析による異常検知入門
Yohei Sato
パターン認識と機械学習入門
パターン認識と機械学習入門
Momoko Hayamizu
カルマンフィルタ入門
カルマンフィルタ入門
Yasunori Nihei
MICの解説
MICの解説
logics-of-blue
PyTorchLightning ベース Hydra+MLFlow+Optuna による機械学習開発環境の構築
PyTorchLightning ベース Hydra+MLFlow+Optuna による機械学習開発環境の構築
Kosuke Shinoda
負の二項分布について
負の二項分布について
Hiroshi Shimizu
Optimizer入門&最新動向
Optimizer入門&最新動向
Motokawa Tetsuya
社会心理学者のための時系列分析入門_小森
社会心理学者のための時系列分析入門_小森
Masashi Komori
数式を(ちょっとしか)使わずに隠れマルコフモデル
数式を(ちょっとしか)使わずに隠れマルコフモデル
Yuya Takashina
2 3.GLMの基礎
2 3.GLMの基礎
logics-of-blue
[DL輪読会]Decision Transformer: Reinforcement Learning via Sequence Modeling
[DL輪読会]Decision Transformer: Reinforcement Learning via Sequence Modeling
Deep Learning JP
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展
Shiga University, RIKEN
CV分野におけるサーベイ方法
CV分野におけるサーベイ方法
Hirokatsu Kataoka
2014 3 13(テンソル分解の基礎)
2014 3 13(テンソル分解の基礎)
Tatsuya Yokota
失敗から学ぶ機械学習応用
失敗から学ぶ機械学習応用
Hiroyuki Masuda
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
Akira Masuda
混合モデルとEMアルゴリズム(PRML第9章)
混合モデルとEMアルゴリズム(PRML第9章)
Takao Yamanaka
Was ist angesagt?
(20)
深層生成モデルと世界モデル
深層生成モデルと世界モデル
幾何を使った統計のはなし
幾何を使った統計のはなし
Stanコードの書き方 中級編
Stanコードの書き方 中級編
時系列分析による異常検知入門
時系列分析による異常検知入門
パターン認識と機械学習入門
パターン認識と機械学習入門
カルマンフィルタ入門
カルマンフィルタ入門
MICの解説
MICの解説
PyTorchLightning ベース Hydra+MLFlow+Optuna による機械学習開発環境の構築
PyTorchLightning ベース Hydra+MLFlow+Optuna による機械学習開発環境の構築
負の二項分布について
負の二項分布について
Optimizer入門&最新動向
Optimizer入門&最新動向
社会心理学者のための時系列分析入門_小森
社会心理学者のための時系列分析入門_小森
数式を(ちょっとしか)使わずに隠れマルコフモデル
数式を(ちょっとしか)使わずに隠れマルコフモデル
2 3.GLMの基礎
2 3.GLMの基礎
[DL輪読会]Decision Transformer: Reinforcement Learning via Sequence Modeling
[DL輪読会]Decision Transformer: Reinforcement Learning via Sequence Modeling
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展
構造方程式モデルによる因果推論: 因果構造探索に関する最近の発展
CV分野におけるサーベイ方法
CV分野におけるサーベイ方法
2014 3 13(テンソル分解の基礎)
2014 3 13(テンソル分解の基礎)
失敗から学ぶ機械学習応用
失敗から学ぶ機械学習応用
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
混合モデルとEMアルゴリズム(PRML第9章)
混合モデルとEMアルゴリズム(PRML第9章)
Andere mochten auch
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
Andere mochten auch
(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
Ähnlich wie 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
Ähnlich wie 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
Jetzt herunterladen