[論文レビュー] A Conditional Dependence Measure with Applications to Undirected Graphical Models

Jianqing Fan, Yang Feng+1 more|arXiv (Cornell University)|Jan 7, 2015

Advanced Statistical Methods and Models参考文献 29被引用数 3

ひとこと要約

本稿では、観測可能な要因を補正した距離共分散を用いて、無向グラフィカルモデルにおける新たな条件付き依存度の測度を提案する。この測度に基づく仮説検定は漸近的に有効であり、因子荷重の根n乗オーダーの推定誤差が帰無分布に影響を及ぼさないため、厳密な有意水準制御のもとで、効率的かつ正確な依存関係グラフの構築が可能である。

ABSTRACT

Measuring conditional dependence is an important topic in statistics with broad applications including graphical models. Under a factor model setting, a new conditional dependence measure is proposed. The measure is derived by using distance covariance after adjusting the common observable factors or covariates. The corresponding conditional independence test is given with the asymptotic null distribution unveiled. The latter gives a somewhat surprising result: the estimating errors in factor loading matrices, while of root$-n$ order, do not have material impact on the asymptotic null distribution of the test statistic, which is also in the root$-n$ domain. It is also shown that the new test has strict control over the asymptotic significance level and can be calculated efficiently. A generic method for building dependency graphs using the new test is elaborated. Numerical results and real data analysis show the superiority of the new method.

研究の動機と目的

• 観測不能または観測可能な潜在的要因を伴う高次元データにおける条件付き依存度の測定という課題に取り組む。
• 因子荷重の推定誤差が存在しても、正確な漸近的有意水準を維持する条件付き独立性検定を開発する。
• 提案された測度を用いて、無向グラフィカルモデルにおける依存関係グラフの効率的かつ信頼性の高い構築を可能にする。
• 数値実験および実データ応用を通じて、本手法の優位性を示す。

提案手法

• 観測可能な共通要因の影響を除去した後、条件付き依存度を評価するための要因補正距離共分散測度を提案する。
• 条件付き独立性仮説の下での検定統計量の漸近的帰無分布を導出する。
• 因子荷重行列の推定誤差（根n乗オーダー）が、漸近的帰無分布に影響を及ぼさないことを示す。
• 提案された条件付き独立性検定を用いた依存関係グラフの構築のための汎用的アルゴリズムを開発する。
• 再サンプリングを要しないアプローチを採用し、検定統計量の計算を計算的に効率的に行う。
• 漸近的帰無分布を用いて、理論的保証のもとで検定の有意水準を厳密に制御する。

実験結果

リサーチクエスチョン

• RQ1 因子荷重の推定誤差に頑健であるような条件付き依存度測度を構築できるか？
• RQ2 因子荷重が根n乗オーダーで推定される場合でも、検定統計量の漸近的帰無分布は有効に保たれるか？
• RQ3 提案手法は、条件付き独立性検定において漸近的有意水準を厳密に制御できるか？
• RQ4 依存関係グラフの構築において、本手法は既存手法と比較して優れた性能を示すか？
• RQ5 高次元で要因依存構造を示す実世界データに対しても、本手法は効率的に適用可能か？

主な発見

• 因子荷重行列の推定誤差（根n乗オーダー）が存在しても、検定統計量の漸近的帰無分布は不変である。
• 提案された検定は、漸近的有意水準を厳密に制御し、信頼性の高い推論を可能にする。
• 再サンプリング手順を必要とせず、検定統計量の計算が効率的に行える。
• 数値結果および実データ解析により、本手法が既存手法に比べて条件付き依存関係の検出において優れた性能を示す。
• 提案された検定を用いて構築された依存関係グラフは、潜在的要因を伴う高次元設定において、より高い正確性と頑健性を示す。