[論文レビュー] Exploratory data analysis for moderate extreme values using non-parametric kernel methods

Boris Béranger, Tarn Duong+2 more|arXiv (Cornell University)|Feb 29, 2016

Climate variability and models参考文献 63被引用数 7

ひとこと要約

本稿では、重たい尾を持つデータや有界なデータにおける中程度の極値の非パラメトリック推定を改善する変換に基づくカーネル密度推定器を提案する。境界バイアスと不自然な尾のぶつぶつ（spurious tail bumps）を低減することで、変換により尾の重さが軽くなった空間でカーネルスムージングを行うことで、より良好な尾の挙動と閾値選択に対するロバスト性を達成する。理論的妥当性と実用的応用を支援するため、推定器の漸近的バイアスおよび分散の閉形式表現を導出する。

ABSTRACT

In many settings it is critical to accurately model the extreme tail behaviour of a random process. Non-parametric density estimation methods are commonly implemented as exploratory data analysis techniques for this purpose as they possess excellent visualisation properties, and can naturally avoid the model specification biases implied by using parametric estimators. In particular, kernel-based estimators place minimal assumptions on the data, and provide improved visualisation over scatterplots and histograms. However kernel density estimators are known to perform poorly when estimating extreme tail behaviour, which is important when interest is in process behaviour above some large threshold, and they can over-emphasise bumps in the density for heavy tailed data. In this article we develop a transformation kernel density estimator, and demonstrate that its mean integrated squared error (MISE) efficiency is equivalent to that of standard, non-tail focused kernel density estimators. Estimator performance is illustrated in numerical studies, and in an expanded analysis of the ability of well known global climate models to reproduce observed temperature extremes in Sydney, Australia.

研究の動機と目的

• 標準的なカーネル密度推定器が、特に重たい尾や有界な分布において中程度の極値をモデル化する際に抱える限界を解消すること。
• 従来の非パラメトリック手法で一般的に生じる、尾密度推定における不自然なぶつぶつと境界効果を低減すること。
• 極値閾値の選択に対して感受性が低く、ロバストな非パラメトリックアプローチを構築すること。
• 推定器の漸近的バイアスおよび分散の閉形式表現を導出し、理論的理解と実装支援を図ること。
• 数値的実験とオーストラリア・シドニーにおける実世界の気候モデリング応用を通じて、手法の有効性を示すこと。

提案手法

• データに対数変換を適用し、元の定義域を実数直線にマッピングすることで、尾の挙動を安定化させ、カーネル密度推定における境界効果を低減する。
• 変換されたデータに対して多次元カーネル密度推定器を適用し、バンド幅選択を伴う標準的なカーネルスムージングを活用する。
• 推定された密度を元の空間に戻すために逆変換を適用し、極値尾の形状を保持する。
• 理論的分析により、推定器の漸近的バイアスおよび分散の閉形式表現を導出し、変換のヤコビアンおよび真の密度の高階微分を組み込む。
• 変換により極値閾値の選択に対する感度が低減されるため、尾領域における閾値選択に対してロバストであることが示された。
• この手法は多次元設定へと拡張可能であり、パラメトリックな分布族を仮定することなく、極値的依存構造の分析を可能にする。

実験結果

リサーチクエスチョン

• RQ1 重たい尾や有界なデータに対して、不自然な尾のぶつぶつを低減しつつ、非パラメトリックなカーネル密度推定器をロバストにできるか？
• RQ2 提案された変換カーネル手法は、中程度の極値におけるバイアスおよび分散の観点で、標準的なカーネル推定器と比べてどのように異なるか？
• RQ3 推定器の性能は、極値閾値の選択に対してどの程度感受性を示すか？
• RQ4 変換に基づく手法は、気候データにおける極値尾挙動の可視化および推論をどのように改善できるか？
• RQ5 提案された変換カーネル推定器の理論的性質—特に漸近的バイアスおよび分散—は何か？

主な発見

• 標準的なカーネル密度推定器と比較して、特に重たい尾を持つデータにおいて、尾領域における不自然なぶつぶつが著しく低減された。
• 推定器の漸近的バイアスおよび分散が閉形式で導出され、変換による安定化効果のおかげで尾領域での性能が向上していることが示された。
• 極値閾値の選択に対してロバストであることが確認され、従来の推定器が抱える感度の問題が軽減された。
• 数値的実験により、中程度の極値における平均統合二乗誤差（MISE）の観点で、推定器が標準的なカーネル手法を上回ることが確認された。
• 気候モデリングの応用において、グローバル気候モデルがシドニーの観測された気温極値を再現する能力の欠陥を、本手法が的確に特定した。
• 変換に基づくアプローチにより、尾分布にパラメトリックな仮定を必要とせずに、極値イベントのより信頼性の高い探索的データ分析が可能になった。