[論文レビュー] Kernel Inverse Regression for spatial random fields

Jean–Michel Loubes, Anne‐Françoise Yao|ArXiv.org|Dec 17, 2008

Statistical Methods and Inference参考文献 26被引用数 4

ひとこと要約

本稿は、強い混合条件の下で空間確率場の次元削減のためのカーネルベースの逆回帰法を導入する。逆回帰関数の共分散行列をカーネルスムージングで推定することで、弱収束性および強収束性、漸近正規性を確立し、非パラメトリック空間回帰における次元の呪いを軽減する空間予測子を提案する。

ABSTRACT

In this paper, we propose a dimension reduction model for spatially dependent variables. Namely, we investigate an extension of the \emph{inverse regression} method under strong mixing condition. This method is based on estimation of the matrix of covariance of the expectation of the explanatory given the dependent variable, called the \emph{inverse regression}. Then, we study, under strong mixing condition, the weak and strong consistency of this estimate, using a kernel estimate of the \emph{inverse regression}. We provide the asymptotic behaviour of this estimate. A spatial predictor based on this dimension reduction approach is also proposed. This latter appears as an alternative to the spatial non-parametric predictor.

研究の動機と目的

• 非パラメトリック空間回帰における次元の呪いを解消する次元削減フレームワークを導入すること。
• 既存の文献におけるギャップである、強い混合条件下での空間的依存データへの逆回帰の拡張。
• 推定効率を向上させるために、逆回帰関数のカーネルベース推定量を構築すること。
• 空間的依存性の下で、提案された推定量の一貫性および漸近正規性を理論的に確立すること。
• 古典的な非パラメトリック予測子の代替手段として、次元削減に基づく空間予測子を提案すること。

提案手法

• 逆回帰フレームワークにおいて、条件付き期待値 $\mathbf{E}(X|Y)$ の推定にカーネルスムージングを用いる。
• $\mathbf{E}(X|Y)$ の共分散行列を推定し、効果的次元削減（EDR）空間を特定する。
• 空間的依存性を扱うために強い混合条件を適用し、漸近的性質を導出する。
• 繰り返し対数法則およびモーメント不等式を用いて、ほとんど確実収束を証明する。
• 次元削減されたEDR空間に基づく空間予測子を構築し、予測精度を向上させる。
• 収束を保証するため、バンド幅 $h_n \sim \hat{n}^{-c_1}$ および誤差閾値 $e_n \sim \hat{n}^{-c_2}$ を用い、制約 $\frac{c_2}{k} + \frac{1}{4k} < c_1 < \frac{1}{2} - 2c_2$ を満たす。

実験結果

リサーチクエスチョン

• RQ1 強い混合条件の下で、逆回帰は空間的依存データへ拡張可能か？
• RQ2 空間設定における逆回帰関数のカーネルスムージングは、一貫性および漸近正規性にどのように影響するか？
• RQ3 空間的依存性下でのカーネル推定に最適なバンド幅および誤差率の選択肢は何か？
• RQ4 提案された次元削減予測子は、古典的な非パラメトリック空間予測子と比較してどのように異なるか？
• RQ5 空間確率場における推定EDR空間の漸近的挙動は何か？

主な発見

• 強い混合条件の下で、$\mathbf{E}(X|Y)$ のカーネルベース推定量は弱収束性および強収束性を満たす。
• EDR空間の推定量は漸近正規性を達成し、適切なバンド幅選択のもとで収束速度 $\sqrt{\hat{n}}$ を示す。
• 空間データの中心極限定理を用いて、推定共分散行列の漸近分布が導出される。
• 次元削減に基づく空間予測子は一貫性を示し、非パラメトリック予測子の代替手段として有効である。
• 誤差項の収束速度は $o_{a.s}\left(\left(\frac{\log\log\hat{n}}{\hat{n}}\right)^{1/2}\right)$ であり、ほとんど確実収束を保証する。
• 一貫性および漸近正規性を保証するためのバンド幅および誤差閾値（$c_1, c_2$）に関する理論的条件が導出された。