[論文レビュー] Model checking for generalized linear models: a dimension-reduction model-adaptive approach

Xu Guo, Li Zhu|arXiv (Cornell University)|May 9, 2014

Formal Methods in Verification参考文献 29被引用数 5

ひとこと要約

本稿では、一般化線形モデルにおける局所スムージング検定における次元の呪いを克服する次元削減型モデル適応型検定を提案する。高次元予測子を推定された最適な1次元部分空間に射影することにより、グローバルおよびローカルの代替仮説の下で高速な収束速度と高い検出力が達成され、高次元でも単変量検定と同等の性能を示す。

ABSTRACT

Local smoothing testing that is based on multivariate nonparametric regression estimation is one of the main model checking methodologies in the literature. However, relevant tests suffer from the typical curse of dimensionality resulting in slow convergence rates to their limits under the null hypotheses and less deviation from the null under alternatives. This problem leads tests to not well maintain the significance level and to be less sensitive to alternatives. In this paper, a dimension-reduction model-adaptive test is proposed for generalized linear models. The test behaves like a local smoothing test as if the model were univariate, and can be consistent against any global alternatives and can detect local alternatives distinct from the null at a fast rate that existing local smoothing tests can achieve only when the model is univariate. Simulations are carried out to examine the performance of our methodology. A real data analysis is conducted for illustration. The method can readily be extended to global smoothing methodology and other testing problems.

研究の動機と目的

• 一般化線形モデルの局所スムージング検定における次元の呪いを解消すること。これは高次元設定で収束が遅く、検出力が低い原因となる。
• 真のモデルが多変量であっても、単変量の局所スムージング検定と同様に動作するモデル適応型検定を開発すること。
• 帰無仮説の下で正しいサイズを維持し、グローバルおよびローカルの逸脱に対して高速な検出レートを達成すること。
• 漸近的効率性と一貫性を保ちつつ、高次元予測子空間に対してロバストである方法を提供すること。
• 一般化線形モデルを超えるグローバルスムージングおよびその他の検定問題へこの手法を拡張すること。

提案手法

• 予測子ベクトル X を推定された最適な1次元部分空間に射影することで、有効次元を低減する。
• 射影空間におけるパラメトリックモデルとノンパラメトリック回帰の差の経験尤度に基づく検定統計量を構築する。
• バンド幅 h を用いたカーネルスムージングにより、射影空間における条件付き平均差を推定し、局所スムージング技術を活用する。
• 検定統計量に次元削減変換を施し、E(Y|X) の多次元ノンパラメトリック推定を回避する。
• 帰無仮説の下で漸近的にカイ二乗分布をとるように、一貫した分散推定器を用いて検定統計量を標準化する。
• ローカル代替仮説に適応するため、ローカル逸脱の下での検定統計量の漸近的分布を導出し、最適な収束レートに達することを示す。

実験結果

リサーチクエスチョン

• RQ1 一般化線形モデルのモデルチェック手順は、次元の呪いの影響を受けても、高次元設定で高い検出力と正しいサイズを維持できるか？
• RQ2 次元削減アプローチにより、高次元モデルにおいて局所スムージング検定が単変量検定と同等の収束速度を達成できるか？
• RQ3 提案された検定は、既存の局所スムージング検定よりも、高次元におけるローカル代替仮説をより速く検出できるか？
• RQ4 グローバル代替仮説の下で、モデル適応型検定は標準的な局所スムージング手法と比較してどのように性能を発揮するか？
• RQ5 モデルの不適合に対してロバストであり、帰無仮説およびローカル代替仮説の下で一貫性を示すか？

主な発見

• 帰無仮説の下で、本検定は $ O(n^{-1/2}h^{-1/4}) $ の収束速度を達成し、単変量局所スムージング検定の最適レートと一致する。
• ローカル代替仮説の下で、偏差率が $ n^{-1/2}h^{-1/4} $ より遅い場合、検定統計量は確率的に発散する。これはローカル逸脱に対して高い感度を示している。
• 帰無仮説の下での標準化された検定統計量 $ T_n $ の漸近的分布は、非心パrameter $ rac{ u^2}{ ext{Var}} $ を持つ $ rac{1}{2} imes ext{非心 } ilde{ ho}^2 $ であり、正しいサイズ制御が保証される。
• グローバル代替仮説の下で検定は一貫性を示す。非心パラメータがグローバル逸脱の下で発散するため、帰無仮説は確率1で棄却される。
• シミュレーションにより、高次元設定で標準的な局所スムージング検定よりも優れた検出力性能を示した。
• モデル適応型および次元削減構造のおかげで、本手法はグローバルスムージングおよびその他の検定問題へも拡張可能である。