本セミナーは、2024年7月15日に開催したアーカイブセミナーです。

このセミナーは高次元時系列解析セミナーの応用編となっておりますが、基礎編は下記にて公開しております。

https://seminar.no-spare.com/edright/240610

‍

【学習内容】

• LassoやRidgeといった正則化推定方法の初歩を学べます
• 高次元VARモデルに基づく予測の方法を学べます
• Rを用いて、学んだ手法を実データに対して適用します

‍

【内容】

本セミナーは、6月10日に開催した「ベクトル自己回帰による高次元時系列予測の基礎」の続編として、より高次元時系列予測に焦点を当てた実践セミナーとなります。

時系列モデルとは、時系列データ（商品の売り上げ、株価、Webサイトへのアクセス数など、通時的な変化を伴うデータ）を分析する際に使用する統計モデルのことで、これを使うことでデータの解釈や将来の予測が可能になります。

本セミナーでは、高次元（変数の数が多い）データ分析，特に高次元ベクトル自己回帰（VAR）モデルと正則化について学びます。最終的には、高次元経済データを用いた時系列予測を行うことが目的です。

ここでVARモデルとは自己回帰モデル（現在のデータを過去のデータを用いて表現するモデル）のうち入力が（スカラーではなく）ベクトルで与えられているデータを扱うモデルのことです。また、使用する変数が非常に多い場合、つまり扱うデータが高次元になる場合、特有の困難が発生し、分析が困難になります。これに対する分析手法を紹介します。

また、本セミナーでは、LassoやRidgeといった正則化推定方法を扱います。正則化とは「過学習」（手元のデータに対して当てはめたモデルが複雑すぎる場合、過度に適合した予測を行ってしまい、新しいデータに対する一般性を損なってしまうこと）を防ぐための方法です。LassoやRidgeといった方法は正則化法の一種で、回帰モデルに加工を施しモデルの複雑さを調整します。

‍

この講座で扱う具体的な内容は以下の通りです。

• ベクトル時系列のベクトル自己回帰（VAR）モデルによる予測の復習
      VARモデルによる時系列データの予測方法を簡単に復習します。
• 最小2乗推定量と正則化推定量
      VARモデルの最小2乗推定法について学び、その拡張として回帰式に調整を加える役割を持つLassoを中心とした正則化推定量を定義します。その統計的性質についても簡単に解説します。
• 高次元ファクターモデルによる予測
      時間に余裕があれば、高次元ファクターモデルの推定方法と予測への応用について解説します。
• 高次元マクロ経済データの例 ― FRED-MDデータセット―
      実データへの応用の準備として、米国マクロ経済データセットであるFRED-MDについて解説します。これは今日における代表的な大規模マクロ経済データセットです。
• Rによる簡単な分析例
      FRED-MDデータセットを用いた、高次元VARモデルとその正則化推定値による時系列予測をRで行います。

‍

必要となる前提知識は、簡単な回帰分析（最小2乗法）と行列表記ですが、その場で復習しながら進みます。

本セミナーを受講し、時系列予測をご自身の実務や研究に活かすことを目指す方、ソフトウェアの使い方だけではなくその考え方や基礎理論を学びたい皆様のご参加を心よりお待ちしています。

‍

【このような方におすすめ】

• データ分析の精度を向上させたい方で、LassoやRidgeといった正則化推定方法を学習したい方
• 実データに基づく分析スキルを向上させたい方で、高次元データの分析と予測を学習したい方
• 時系列データの予測精度を上げたい方で、VARモデルの応用と正則化手法を学習したい方
• 経済データの分析に興味がある方で、FRED-MDデータセットを用いた具体的な事例を学習したい方

‍

【レクチャー】

• 講義動画
  • 前半：56分
  • 後半：58分
• 講義資料
  • 拡張子：PDF
  • 部数：1部
• 演習資料
  • 言語：R言語
  • 部数：1部

‍

【講師】

植松 良公（一橋大学 准教授）

[略歴]

2023年4月 - 現在東北大学, 大学院経済学研究科, 客員准教授

2023年4月 - 現在一橋大学, 大学院ソーシャル・データサイエンス研究科, 准教授

2022年4月 - 2023年3月一橋大学, ソーシャル・データサイエンス研究教育推進センター, 准教授

2022年4月 - 2023年3月東北大学, 大学院経済学研究科, 特任准教授

2020年2月 - 2022年3月東北大学, 大学院 経済学研究科, 准教授

2018年9月 - 2020年1月東北大学, 大学院 経済学研究科, 講師

2017年4月 - 2018年8月南カリフォルニア大学, マーシャル経営大学院, 日本学術振興会海外特別研究員

2015年11月 - 2017年3月南カリフォルニア大学, マーシャル経営大学院, 日本学術振興会特別研究員（PD）

2014年4月 - 2017年3月統計数理研究所, 統計的機械学習研究センター, 日本学術振興会特別研究員（PD）

2013年10月 - 2014年3月一橋大学, 大学院経済学研究科, 日本学術振興会特別研究員（PD）

2011年4月 - 2013年9月一橋大学, 大学院経済学研究科, 日本学術振興会特別研究員（DC1）

2007年4月 - 2009年3月国際投信投資顧問株式会社（現：三菱UFJ国際投信株式会社）

[最近の業績]

1. Dai, R., Y. Uematsu and Y. Matsuda (2024). "Estimation of large covariance matrices with mixed factor structures," Econometrics Journal, 27, 62-83.
2. Uematsu, Y. and T. Yamagata (2023). "Inference in sparsity-induced weak factor models," Journal of Business & Economic Statistics, 41, 126-139. (Working Paper)
3. Uematsu, Y. and T. Yamagata (2023). "Estimation of sparsity-induced weak factor models," Journal of Business & Economic Statistics, 41, 213-227. (Working Paper, Core part of R code, Slides on sWF models)
4. Fan, Y., J. Lv, M. Sharifvaghefi and Y. Uematsu (2020). "IPAD: stable interpretable forecasting with knockoffs inference," Journal of the American Statistical Association, 115, 1822-1834. (Supplementary materials are available from the link.)
5. Uematsu, Y., Y. Fan, K. Chen, J. Lv and W. Lin (2019). "SOFAR: large-scale association network learning," IEEE Transactions on Information Theory, 65, 4924-4939. (Supplementary materials are available from the link.)

‍

【受講料金】

¥11,000

ベーシックプラン

お支払いから1ヶ月間、いつでもどこでも受講できます。

※講義動画のダウンロードはできません。

‍