[論文レビュー] An essay on copula modelling for discrete random vectors; or how to pour new wine into old bottles

Gery Geenens|arXiv (Cornell University)|Jan 25, 2019

Financial Risk and Volatility Modeling参考文献 39被引用数 3

ひとこと要約

本稿では、紀元前から続くユードニー・ユールのアイデアを再評価し、確率積分変換に基づく古典的コピュラ定義の代わりに、周辺分布に依存しない従属構造を捉える「コア」概念を導入することで、離散的確率ベクトルのための再考されたコピュラフレームワークを提案する。この手法により、周辺分布に依存しない一意な従属モデリングが可能となり、コピュラの本質的利点（柔軟性と同定可能性）を回復するとともに、離散的状況における古典的コピュラの長年の同定可能性問題を解決する。

ABSTRACT

Copulas have now become ubiquitous statistical tools for describing, analysing and modelling dependence between random variables. Sklar's theorem, "the fundamental theorem of copulas", makes a clear distinction between the continuous case and the discrete case, though. In particular, the copula of a discrete random vector is not identifiable, which causes serious inconsistencies. In spite of this, downplaying statements are widespread in the related literature, and copula methods are used for modelling dependence between discrete variables. This paper calls to reconsidering the soundness of copula modelling for discrete data. It suggests a more fundamental construction which allows copula ideas to smoothly carry over to the discrete case. Actually it is an attempt at rejuvenating some century-old ideas of Udny Yule, who mentioned a similar construction a long time before copulas got in fashion.

研究の動機と目的

• 離散的確率ベクトルに古典的コピュラ理論を適用する際の根本的欠陥、すなわち累積分布関数の不連続性に起因するコピュラの同定不能性を解消すること。
• ウドニー・ユール（1912年）らが提唱した、連続表を一様周辺分布に標準化することで従属を分離するという、歴史的アイデアを再活性化し、形式化すること。
• 周辺分布に依存せず一意に定義される「コア」と呼ばれる新しい離散的コピュラのクラスを構築し、従属と周辺分布を分離するコピュラの核心的利点を回復すること。
• 古典的連続的コピュラが、コアフレームワークを適切に再解釈することで、離散分布（例：ポアソン分布、幾何分布）の従属を記述できることを示すこと。
• 新しい離散的コピュラ族（例：ベルヌーイ、二項、幾何、ポアソンコピュラ）を導入し、これらが新しいフレームワークと整合的であり、古典的コピュラの望ましい性質をすべて保持すること。

提案手法

• 「コア」とは、周辺分布に依存せず同じ従属構造を持つ二変量離散的確率分布の同値類として定義する。
• 確率積分変換に基づく古典的コピュラ定義の代わりに、ユール（1912年）が提唱した周辺分布を周辺分布にスケーリングすることで一様分布に標準化する手法を採用する。
• 任意の離散的周辺分布と所望の従属構造を組み合わせるため、反復比例適合（IPF）を用い、得られる同時分布がターゲットとなるコピュラ構造を尊重することを保証する。
• コピュラ確率質量関数（copula pmf）という概念を導入する。これは、コアフレームワークにおけるコピュラ密度の離散的アナログであり、従属構造を一意に特徴付ける。
• ベルヌーイ分布から有限サポートおよび可算無限サポート（例：ℕ×ℕ）へとフレームワークを一般化し、コアを介して解釈すれば、古典的コピュラがこのような設定でも依然として従属を記述可能であることを示す。
• マーシャル＝オルキンの二変量幾何分布に基づく「幾何コピュラ」と、二変量ポアソン分布に基づく「ポアソンコピュラ」などの新しいコピュラ族を、コアに基づくアプローチから導出する。

実験結果

リサーチクエスチョン

• RQ1 離散的状況において、古典的コピュラの同定可能性と周辺分布に依存しない性質を回復できる離散的コピュラフレームワークを構築できるか？
• RQ2 ユール（1912年）およびモステラー（1968年）の歴史的アイデアを、現代の統計的フレームワークとして形式化できるか？
• RQ3 周辺分布に依存せず、従属構造を一意に捉えることができる「コピュラ確率質量関数」を離散的分布に対して定義できるか？
• RQ4 コアフレームワークを介して解釈すれば、古典的連続的コピュラ（例：Clayton、ガウス）を離散的データに意味的に適用できるか？
• RQ5 このフレームワークから新たに導かれる離散的コピュラ族（例：ベルヌーイ、ポアソン、幾何）は何か？ それらは既知の多変量離散分布とどのように関係するか？

主な発見

• 離散的確率ベクトルでは、確率積分変換が一様周辺分布を生じないため、古典的コピュラ定義は失敗し、結果として同定不能なコピュラが生じる。
• 同じ従属構造を持つ分布の同値類として「コア」を定義することで、本稿のフレームワークは離散的状況において同定可能性と周辺分布に依存しない性質を回復する。
• IPFを用いることで、任意の離散的周辺分布（例：Poisson(2)）と任意の古典的コピュラ（例：θ = -0.2 のClayton、ρ = -0.8 のガウス）を組み合わせ、所望の従属を持つ有効な二変量分布を生成できる。
• フレームワークは、離散的分布における「コピュラ確率質量関数」の存在と一意性を支持する。これは連続的状況におけるコピュラ密度に類似している。
• 幾何コピュラやポアソンコピュラといった、新しい離散的コピュラ族が導入され、これらはよく知られた多変量離散分布の従属構造を記述する。
• コア概念を通じて、スクラーの定理が直接適用できないとしても、従属の分離というコピュラ理論の核心的アイデアが、離散データと調和する形で有効であることを示した。