1 定義
パラメトリック過程は、有限個のパラメータによって分布や動作が記述される確率過程の総称である。各時点の値そのものよりも、背後にある少数の係数や母数が過程全体の特徴を左右する点に特色がある。こうした枠組みでは、観測列からモデルの構造を比較的明確に推定しやすい。
1.1 基本概念
基本的な考え方は、観測された変動を、あらかじめ定めた関数形とパラメータの組で表すことである。たとえば平均、分散、自己相関の強さなどを少数の数値で管理し、時間発展に伴うふるまいを整理する。これにより、複雑な現象でも解析の出発点を単純化できる。
1.2 確率過程との関係
確率過程は、時間や空間の各点に確率変数を対応させた族であり、パラメトリック過程はその中でも母数化された部分集合にあたる。つまり、すべての確率過程がこの型に入るわけではないが、多くの実用モデルは何らかのパラメータ表示を備える。モデル化のしやすさから、理論研究と応用の両面で重要である。
1.3 非パラメトリック過程との対比
非パラメトリック過程では、関数形や次元を固定せず、データに応じて柔軟に構造を表現する。これに対し、パラメトリックな立場では、仮定する形式は限定されるが、推定や比較が扱いやすい。一般に、前者は表現力、後者は解釈性と計算効率に利点がある。
2 数理的性質
パラメトリック過程の数学的検討では、母数の取りうる範囲、各時点の分布の形、時間に対する安定性などが主要な論点となる。これらはモデルの妥当性を判断するうえで欠かせない。理論的には、同じ形式でもパラメータの違いによって性質が大きく変わる。
2.1 パラメータ空間
パラメータ空間は、モデルで許される母数の集合を指す。実数の区間、ベクトル空間、制約付き領域などが用いられ、非負条件や相関の範囲制限が課されることも多い。空間の形は推定の安定性や識別可能性に影響する。
2.2 分布の表現
各時点や各区間での分布は、パラメータに依存する関数として表される。これによって、平均的な傾向だけでなく、ばらつきや極端値の起こりやすさも整理できる。実際の解析では、密度や分布関数が中心的な役割を果たす。
2.2.1 確率密度関数
連続型の場合、確率密度関数は値の出やすさを記述する。パラメータが変わると、山の位置、広がり、歪み方が移り変わる。密度の形を通じて、観測との適合度を視覚的にも把握しやすい。
2.2.2 累積分布関数
累積分布関数は、ある値以下となる確率を表す。密度よりも解釈が直感的で、閾値を越える確率や分位点の評価に適している。離散型・連続型の双方で扱える点も実用上の利点である。
2.3 定常性と非定常性
定常性は、時間の移動によって基本的な統計特性が変わらない性質をいう。これに対し、非定常性では平均や分散、相関構造が時刻とともに変化する。多くの現実データは後者に近く、季節性やトレンドを含む場合には、より慎重なモデル設定が必要になる。
3 代表的なモデル
パラメトリック過程には、理論的に整備され、応用でも頻繁に使われるモデルがある。これらは、それぞれ異なる仮定や適用場面をもつ。比較を通じて、現象に合った表現を選ぶことができる。
3.1 ガウス過程
ガウス過程は、任意の有限個の点での同時分布が多変量正規分布になる過程である。平均関数と共分散関数が主要な記述要素となる。滑らかな変動や不確実性の表現に適し、回帰や補間にも用いられる。
3.2 マルコフ過程
マルコフ過程は、現在の状態が将来を決める際に、過去全体ではなく直前の状態に要約される性質をもつ。記憶が短い、あるいは局所的に記述できる現象のモデル化に向く。状態遷移の確率を与えることで、動的な変化を追跡できる。
3.3 ポアソン過程
ポアソン過程は、ある区間内に生じる事象の回数を扱う基本モデルである。単位時間あたりの発生率が一定であるとき、独立な増分をもつ過程として表される。待ち行列、故障回数、到着現象などの解析に広く使われる。
3.4 ランダムウォーク
ランダムウォークは、各段階で確率的に前進または後退する単純な歩行モデルである。累積的な変動を表し、離散時間の代表例として重要である。理論上は拡散現象や価格変動の基礎的な近似としても扱われる。
4 推定と解析
実際の利用では、観測データからパラメータを推定し、候補モデルの適否を調べることが中心になる。推定法には複数の流儀があり、目的に応じて選択される。解析の精度は、データ量、仮定の妥当性、計算手法に左右される。
4.1 最尤推定
最尤推定は、観測結果が最も得られやすいようにパラメータを選ぶ方法である。計算が比較的明快で、統計理論との相性もよい。大標本では安定した性質を示すことが多く、標準的手法として位置づけられる。
4.2 ベイズ推定
ベイズ推定では、パラメータを確率変数として扱い、事前分布と観測情報を組み合わせて事後分布を求める。未知量の不確実性を直接表現できる点が特徴である。事前知識を反映させたい場合や、推定の幅を重視する場合に有用である。
4.3 モデル選択
複数のモデル候補があるとき、どれがデータに適しているかを判断する必要がある。単純さと当てはまりの良さのバランスをとることが重要である。過度に複雑なモデルは、見かけ上の適合を高めても予測力を損なうことがある。
4.3.1 情報量規準
情報量規準は、適合度と複雑さを同時に評価する指標群である。代表的なものとしてAICやBICが知られ、値が小さいほど望ましいとされる。候補間の比較に向き、実務で広く採用されている。
4.3.2 交差検証
交差検証は、データを分割して学習と評価を繰り返す方法である。未知データへの予測性能を確かめやすく、過学習の確認にも役立つ。時系列では分割の仕方に注意が必要で、時間順を保った評価が用いられることが多い。
5 応用
パラメトリック過程は、変動を一定の形式で整理できるため、多様な分野に応用される。特に、観測が連続的に得られる場面や、将来予測が求められる場面で有効である。応用先ごとに、重視されるパラメータや評価基準は異なる。
5.1 統計学
統計学では、標本の背後にある生成機構を記述するために用いられる。仮説検定、推定、予測の土台として機能し、時系列解析とも密接である。データの構造化により、ノイズと信号を分けて考えやすくなる。
5.2 金融工学
金融工学では、価格変動やリスク評価のモデルとして使われる。特に、連続時間の価格過程や到着現象の近似に役立つ。ボラティリティや確率的な変動を扱う際の基礎として重要である。
5.3 信号処理
信号処理では、観測信号に含まれる雑音やゆらぎを確率的に表現する。フィルタ設計、復元、予測などで活用され、観測値の背後にある規則性を抽出する助けとなる。滑らかな変化とランダムな擾乱を分離する際に有効である。
5.4 物理学
物理学では、熱揺らぎ、拡散、粒子の移動などの記述に用いられる。ミクロなランダム性とマクロな法則の橋渡しをする役割を担う。確率的な運動の理解は、非平衡現象の解析にもつながる。
6 関連概念
パラメトリック過程は、広い意味での確率論や統計モデリングの中に位置づけられる。周辺概念を押さえることで、モデルの役割がより明確になる。これらは相互に重なりながら、実際の分析手法を形づくっている。
6.1 確率モデル
確率モデルは、偶然性を含む現象を数学的に表す枠組みである。パラメトリック過程はその一種として、時間的あるいは空間的な変化を記述する。現象の抽象化と予測可能性の確保を同時に目指す。
6.2 時系列解析
時系列解析は、順序をもつデータの構造を調べる分野である。自己相関、周期性、トレンドなどを扱い、パラメトリック過程と相性がよい。実データの予測や異常検知にも広く利用される。
6.3 経験過程
経験過程は、標本から得られる分布関数や統計量の変動を研究する考え方である。推定量の挙動や収束性を理解するうえで重要で、理論統計と深く結びつく。確率モデルの妥当性を検証する際の基礎にもなる。