文献

J-GLOBAL ID：202202278602675674   整理番号：22A1154166

多変量時系列における傾向を同定するための平滑化動的因子分析【JST・京大機械翻訳】

Smoothed dynamic factor analysis for identifying trends in multivariate time series

著者 (4件)： Ward Eric J. (Conservation Biology Division, Northwest Fisheries Science Center, National Marine Fisheries Service, National Oceanic and Atmospheric Administration, Seattle, WA, USA) ,  Anderson Sean C. (Pacific Biological Station, Fisheries and Oceans Canada, Nanaimo, BC, Canada) ,  Hunsicker Mary E. (Fish Ecology Division, Northwest Fisheries Science Center, National Marine Fisheries Service, National Oceanic and Atmospheric Administration, Seattle, WA, USA) ,  Litzow Michael A. (Shellfish Assessment Program, Alaska Fisheries Science Center, National Marine Fisheries Service, National Oceanic and Atmospheric Administration, Kodiak, AK, USA)
資料名： Methods in Ecology and Evolution  (Methods in Ecology and Evolution)
巻： 13  号： 4  ページ： 908-918  発行年： 2022年 
JST資料番号： W2682A  ISSN： 2041-210X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 生態学的プロセスは,ほとんど直接観察できず,推論はしばしば隠れまたは潜在プロセスの推定に依存する。状態空間モデルは,変動の多重源(観測誤差に起因する自然変動と分散)を同時に推定する能力のため,このタスクに広く用いられている。多変量時系列では,2番目の目的は,しばしば次元縮小であり,また,観察された時系列の数よりも小さい多くの潜在プロセスを推定することである。動的因子分析(DFA)を用いて時系列次元縮小を行い,そこでは潜在過程をランダムウォークとしてモデル化した。これは,いくつかの状況に適している可能性があるが,ランダムウォークは,他の場合にも柔軟であるかもしれない。ここでは,潜在的プロセスが平滑関数(基底スプライン,ペナルティスプラインまたはGauss過程モデル)としてモデル化される新しいクラスのモデルを導入した。著者らは,これらのモデルを著者らのベイスファrパッケージに実装し,それはフィッティングのためにスタンパッケージを使用する。模擬データによるモデル性能を評価した後,米国の西海岸からの2つの長期データセット,(a)遠洋性稚魚の35年データセットおよび(b)漁業漁獲の39年データセットに対して,従来のモデルおよび著者らの滑らかな傾向モデルを適用した。著者らのシミュレーションは,根底にある傾向平滑性に適合するモデルが,より良いサンプル外予測を与えるが,しかし,この優位性は,観測誤差のレベルの増加とともに減少することを実証した。両事例研究に対して,最良の平滑傾向モデルは,従来のアプローチと比較して,より高い予測精度を有し,より正確な予測をもたらした。ここで紹介した滑らかな傾向因子モデルは,多変量時系列の状態空間次元縮小のための新しいアプローチを提供する。これらの可撓性Bayesモデルは,高信号対ノイズ比のデータに対して,また,通常,根底にある傾向が比較的滑らかであると仮定するデータに対して,時間内に集中するデータに対して特に有用である。Copyright 2022 Wiley Publishing Japan K.K. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： SN比 ,  *多変数系 ,  Gauss過程 ,  モデリング ,  多重化 ,  *平滑化 ,  *因子分析 ,  スプライン ,  モデル ,  酔歩 ,  稚魚 ,  事例研究 ,  漁獲 ,  次元縮小 ,  ペナルティ
準シソーラス用語： *多変量 , 【Automatic Indexing@JST】

著者キーワード (6件)： Bayesモデリング ,  Bスプライン ,  動的因子分析 ,  Gauss過程 ,  滑らかなスプライン ,  Stan

分類 (1件)： システム同定  (IA02040O)

タイトルに関連する用語 (6件)： 多変量 ,  時系列 ,  傾向 ,  同定 ,  平滑化 ,  因子分析