[論文レビュー] Convergence of Multivariate Quantile Surfaces

Adil Ahidar-Coutrix, Philippe Berthet|arXiv (Cornell University)|Jul 9, 2016

Statistical Methods and Inference参考文献 14被引用数 3

ひとこと要約

本稿では、任意の観測者点 O ∈ ℝᵈ に固定された多変量分位数面の非パラメトリック枠組みを提案する。これは、対称性、密度、または一意な中心を仮定しない任意の分布への一般化であり、単変量分位数を拡張するものである。次に、次元に依存しないバーダール＝キーファー表現を n⁻¹/⁴(log n)¹/²(log log n)¹⁴ のレートで確立し、多変量タケイ半空間の同時信頼領域における一様弱収束および非漸近的ガウス近似を可能にする。

ABSTRACT

We define the quantile set of order $α\in \left[ 1/2,1 ight) $ associated to a law $P$ on $\mathbb{R}^{d}$ to be the collection of its directional quantiles seen from an observer $O\in \mathbb{R}^{d}$. Under minimal assumptions these star-shaped sets are closed surfaces, continuous in $(O,α)$ and the collection of empirical quantile surfaces is uniformly consistent.\ Under mild assumptions -- no density or symmetry is required for $P$ -- our uniform central limit theorem reveals the correlations between quantile points and a non asymptotic Gaussian approximation provides joint confident enlarged quantile surfaces. Our main result is a dimension free rate $n^{-1/4} (\log n)^{1/2}(\log\log n) ^{1/4} $ of Bahadur-Kiefer embedding by the empirical process indexed by half-spaces. These limit theorems sharply generalize the univariate quantile convergences and fully characterize the joint behavior of Tukey half-spaces.

研究の動機と目的

• 対称性、密度、一意な中心を仮定しない多変量設定への単変量分位数収束の一般化を目的とする。
• 任意の観測者点 O ∈ ℝᵈ からの方向投影を用いた分位数面の非パラメトリック枠組みの構築を目的とする。
• 潜在分布 P に対して最小限の仮定のもとで、経験的分位数面の一様一貫性および弱収束を確立することを目的とする。
• 半空間クラスにインデックス付けられた経験過程に対する次元に依存しないバーダール＝キーファー表現を確立し、多変量分位数の同時推論を可能にする。
• 非漸近的ガウス近似を、分位数面の同時信頼領域に適用し、頑健な多変量推論に応用可能であるようにすることを目的とする。

提案手法

• 観測者点 O ∈ ℝᵈ からの方向分位数を、O を通る半空間の確率が α ∈ [1/2, 1) の順序に達する点の集合として定義する。
• 方向分位数からなるスターマンチ型集合として分位数面を構築し、最小限の仮定のもとで (O, α) に関して連続性を保証する。
• 半空間にインデックス付けられた経験過程のためのタルガランドの不等式およびモーメント不等式を用いて、一様な乖離を制御する。
• ベルテ＝メイソンの強近似定理を適用し、次元に依存しないレートで経験過程をガウス過程に埋め込む。
• 半空間クラス全体にわたる経験過程に対する一様バーダール＝キーファー表現を確立し、n⁻¹/⁴(log n)¹/²(log log n)¹⁴ のレートを達成する。
• 強近似結果を用いて、分位数面の同時信頼領域に対する非漸近的ガウス近似を導出する。

実験結果

リサーチクエスチョン

• RQ1 対称性、密度、一意な中心を仮定しない条件下でも、多変量分位数面を一貫して推定できるか？
• RQ2 高次元設定における経験的分位数面の収束の最適レートは何か？
• RQ3 非漸近的有効性を持つように、多変量分位数の同時信頼領域をどのように構築できるか？
• RQ4 半空間にインデックス付けられた経験過程を、次元に依存しないレートでガウス過程によって表現できるか？
• RQ5 分位数面は、多変量設定において単変量分位数収束をどのように一般化するか？

主な発見

• 潜在分布 P の密度や対称性を仮定しない条件下でも、経験的分位数面は一様一貫性を示す。
• 本稿では、古典的な単変量弱収束を多変量設定に拡張する、経験的分位数面の一様弱収束結果を確立した。
• 半空間にインデックス付けられた経験過程に対する次元に依存しないバーダール＝キーファー表現が、レート n⁻¹/⁴(log n)¹/²(log log n)¹⁴ で達成された。
• 分位数面の同時信頼領域に対する非漸近的ガウス近似が提供され、多変量データクラウドに対する頑健な推論を可能にした。
• 分位数面は観測者位置 O および分位数水準 α に関して連続であり、パrameter空間全体にわたる安定した幾何的解釈を保証する。
• 本フレームワークはタケイ半空間を一般化し、中心にメディアン点を必要としない深さに基づく等高線の同時推論を可能にする。