[論文レビュー] A semi-parametric estimation for max-mixture spatial processes

Manaf Ahmed, Véronique Maume‐Deschamps+2 more|arXiv (Cornell University)|Oct 23, 2017

Spatial and Panel Data Analysis参考文献 21被引用数 3

ひとこと要約

本稿では、最大混合空間過程のパrameter推定を改善するために、F-madogramを用いた半パラメトリック推定法を提案する。特に漸近的独立性（AI）の状況において有効である。この手法は、理論的F-madogramと実証的F-madogramの二乗差を最小化する。近似漸近的独立性の設定において、複合尤度法よりも優れた性能を示し、オーストラリア東部の降雨データを用いた実証的検証も行われている。

ABSTRACT

We proposed a semi-parametric estimation procedure in order to estimate the parameters of a max-mixture model and also of a max-stable model (inverse max-stable model) as an alternative to composite likelihood. A good estimation by the proposed estimator required the dependence measure to detect all dependence structures in the model, especially when dealing with the max-mixture model. We overcame this challenge by using the F-madogram. The semi-parametric estimation was then based on a quasi least square method, by minimizing the square difference between the theoretical F-madogram and an empirical one. We evaluated the performance of this estimator through a simulation study. It was shown that on an average, the estimation is performed well, although in some cases, it encountered some difficulties. We apply our estimation procedure to model the daily rainfalls over the East Australia.

研究の動機と目的

• 複合尤度推定の限界、特に漸近的独立性（AI）成分の推定における課題を解決すること。
• 漸近的依存（AD）とAI行動の両方を捉えることができる依存度量としてF-madogramを用いた半パラメトリック代替手法の開発。
• F-madogramに基づく最小二乗推定量の性能を、シミュレーションと実データ応用を通じて評価すること。
• 特にGodambe行列の計算を回避できるため、複合尤度法よりも計算負荷が低い代替手法を提供すること。
• 両推定フレームワーク下で情報基準（MICおよびCLIC）を用いた最良適合モデルの選択。

提案手法

• 本手法はF-madogramを用い、空間的依存度量として定義される。$ \nu^F(h) = \mathbb{E}\left[ \left| \Lambda(F(X(s+h))) - \Lambda(F(X(s))) \right| \right] $ ここで $ \Lambda $ は標準的Frechet分布関数。
• 最大混合モデル（例：TEG、Brown-Resnick）と漸近的独立プロセス（例：逆Brown-Resnick、逆Smith）の組み合わせに対する理論的F-madogramの式を導出。
• 実証的F-madogramと理論的F-madogramの間の統合二乗差を最小化する最小二乗推定手順を、空間ラグの集合に対して適用。
• モデル選択にはMIC（LS-madogram用）およびCLIC（複合尤度用）基準を用い、値が小さいほど適合度が高いと判断。
• パラメトリックなGEVフィッティングを回避するため、経験的累積分布関数を用いてデータを単位Frechetマージンに非パラメトリックに変換。
• パrameterがF-madogramによって同定可能であるという条件下で、LS-madogram推定量の一致性を証明。

実験結果

リサーチクエスチョン

• RQ1 F-madogramは、漸近的依存と漸近的独立性を併せ持つ最大混合空間過程の信頼性があり、情報豊富な依存度量として機能するか？
• RQ2 真のプロセスが近似漸近的独立性である場合に、F-madogramに基づく最小二乗推定は、精度と頑健性の面で複合尤度推定を上回るか？
• RQ3 実環境データにおける計算コストとモデル選択性能の観点から、LS-madogram推定量と複合尤度推定量はどのように比較されるか？
• RQ4 最大混合モデルフレームワーク下で、F-madogramに基づく推定量は一貫性と同定可能性を有するか？
• RQ5 情報基準を用いた両推定手法下で、どのモデル構造（例：TEG + 逆Brown-Resnick）がオーストラリア東部の日次降雨データに最も適合するか？

主な発見

• 真のモデルが近似漸近的独立性であるシミュレーションにおいて、LS-madogram推定量は複合尤度法を上回り、特にAI成分の推定において優れた性能を示した。
• オーストラリア東部の降雨データにおいて、LS-madogramと複合尤度法の両方が同じ最良モデル（MM1）を選択したため、両手法の妥当性が裏付けられた。
• MICおよびCLIC基準は、両推定手順下で同じモデル（MM1）を選択したため、モデル選択の一貫性が検証された。
• LS-madogram法は、Godambe行列の推定を回避するため、複合尤度法よりも著しく計算負荷が低かった。
• F-madogramは、最大混合モデルにおける依存構造を的確に捉え、一貫した解釈可能な指標としてADおよびAIパラメータの同時推定を可能にした。
• 最良適合MM1モデル下で、実証的F-madogramと理論的F-madogramの間に強い一致が観察され、本手法の妥当性が支持された。