[論文レビュー] Constructing Likelihood Functions for Interval-valued Random Variables

Xin Zhang, Boris Béranger+1 more|arXiv (Cornell University)|Jul 30, 2016

Neural Networks and Applications参考文献 28被引用数 3

ひとこと要約

本稿では、実数値のデータ生成過程をモデル化することで、区間値データの尤度に基づく推論フレームワークを構築し、個々の観測値が得られない状況でもパラメトリックモデルを直接適合可能にする。既存手法における区間内一様性仮定の制限を、順序統計と集約メカニズムを用いて正確な尤度を導出することで克服し、シミュレーションおよび実データにおいて推論精度の向上を示した。

ABSTRACT

There is a growing need for the ability to analyse interval-valued data. However, existing descriptive frameworks to achieve this ignore the process by which interval-valued data are typically constructed; namely by the aggregation of real-valued data generated from some underlying process. In this article we develop the foundations of likelihood based statistical inference for random intervals that directly incorporates the underlying generative procedure into the analysis. That is, it permits the direct fitting of models for the underlying real-valued data given only the random interval-valued summaries. This generative approach overcomes several problems associated with existing methods, including the rarely satisfied assumption of within-interval uniformity. The new methods are illustrated by simulated and real data analyses.

研究の動機と目的

• 区間値データに対する堅牢な統計的推論手法の不足に応えること。特に、真のデータ生成過程を考慮するものである。
• 記号的データ解析で一般的に見られるが、しばしば正当化されない区間内一様性仮定を克服すること。
• 個々のレベルのデータが不要な状況でも、区間要約から直接モデル適合が可能な尤度ベースのフレームワークを開発すること。
• 統計的効率性と正確性を保ちながら、区間データ分析の生成的アプローチを提供すること。
• 標準的な尤度理論を、集約された実数値データから得られる区間値観測値に対応させる拡張をすること。

提案手法

• 区間値データを、既知のデータ集約メカニズム（例：最小値/最大値、分位数）に基づく実数値観測値の要約とみなす。
• 実数値観測値の連合分布を統合することで、区間値観測値の正確な尤度関数を導出する。
• 順序統計と多次元積分を用いて、m個の実数値観測値が指定された区間境界内に収まる確率を計算する。
• 境界点と内部点の組み合わせ的配置の和として尤度を表現し、区間境界が元のデータ点によってどのように形成されるかをすべて考慮する。
• 関数の結合密度関数と累積分布関数を用いて、異なる集約関数（例：最小値/最大値、第一四分位数と第三四分位数）の下で尤度の閉形式表現を導出する。
• 正規分布や一様分布などのパラメトリックモデルにこのフレームワークを適用し、区間要約から最尤推定を可能にする。

実験結果

リサーチクエスチョン

• RQ1 区間内一様性を仮定しない状況で、区間要約のみが利用可能な場合に、どのように尤度に基づく推論を構築できるか。
• RQ2 実数値データ生成過程から導かれる区間値観測値の正確な尤度関数は何か。
• RQ3 本手法は、区間内一様性を仮定する標準的な記号的データ解析手法と比べてどのように異なるか。
• RQ4 集約と測定誤差が存在する状況でも、本手法は真のモデルパラメータ（例：平均μ、スケールσ）を正確に回復できるか。
• RQ5 異なる集約関数（例：最小値/最大値 vs. 四分位数）を用いることで、尤度および推論品質にどのような影響が生じるか。

主な発見

• 提案された尤度フレームワークは、複雑な集約メカニズム下でも、真のモデルパラメータ（例：μ=0, σ=2）を最小限のバイアスで回復できた。
• シミュレーションでは、一様分布から生成された区間データに正規モデルを当てはめる場合、生成的尤度を用いることで、標準的な一様性仮定に基づく手法を上回る正確な推定が得られた。
• 適切な集約関数が使用された場合、Q-Qプロットが正規線に非常に近接しており、良好な適合度が示された。
• 尤度導出における境界点の配置を組み込むことで、それらを無視する近似手法と比較して、推定精度が著しく向上した。
• 本フレームワークは、データに5％の外れ値が含まれても、安定したパラメータ推定を維持する。
• m個の観測値が2次元区間にある場合の尤度式には、元のデータ点が境界をどのように形成できるかをすべて考慮する組み合わせ的項が含まれる。