単変量時系列分析の続き：ARIMA vs. ETS vs. Robust ETS

この記事は4年前の以下の過去記事の続きです。

大変遅まきながら*1、最近になって単変量時系列モデリングの手法としてARIMA / DLM以外にも幾つか方法があるのだということを知りました。一つは指数平滑法というかExponential Smoothing State Space Model (ETS)で、もう一つはこれをロバスト化したRobust ETS。

指数平滑法そのものについては日本語でも色々資料があるんですが（この辺とか）、例えば{forecast}パッケージのets関数に実装されている指数平滑状態空間モデルについてはweb上にはあまり詳しい日本語資料が見つからなかった*2ので、代わりに英文資料(7.7 Innovations state space models for exponential smoothing | OTexts)を貼っておきます。おそらくこれだけ読んでおけば十分だろうと想像します。

ということでこの記事は純然たる自分向けの個人的なまとめにつき、特に何も目新しい情報はありませんので悪しからずご了承くださいm(_ _)m

*1:勉強不足とも勉強の方向性がまだらとも言う

*2:多分どこかの時系列系の書籍には絶対に載っているはずだと思いますが

Rで異常検知(2): 正規分布に従うデータからの異常検知（ホテリング理論・MT法）

さて、気紛れから始まったこのシリーズですが。今回は第2章を取り上げます。

入門 機械学習による異常検知―Rによる実践ガイド

多変量かつ非正規データの異常検知は少し後の方になるので、例のwater treatment plantのデータセットを持ち出すのは後回しにして、今回は適当に生成したデータセットを使うことにしました。

ちなみに、今回のシリーズではあまりあれこれ引用しまくると引用の範囲を超えてしまいそうな気がしたので（笑）、要点をちろっとまとめてRスクリプトを並べるだけに留めておきます。故に、皆さんご自身がお手元で試される場合には必ず井手先生のテキストをご用意下さい、ということで。

ロンドンに行ってきました

出張でロンドンに行ってきました。流石に今回は仕事での訪問ゆえあまり観光などしたわけでもないので、代わりにロンドンで食べてきたものの写真など適当に並べておきます（笑）。