[論文レビュー] Modeling extreme values by the residual coefficient of variation

Joan del Castillo, Maria Padilla|arXiv (Cornell University)|Oct 1, 2015

Reservoir Engineering and Simulation Methods被引用数 4

ひとこと要約

本稿では、一般化パレート分布（GPD）モデリングにおける残差係数変動（CV）を用いた極値分析のためのロバストなしきい値選択手法を提案する。この手法は、有限モーメントを持たない重尾分布への応用を拡張し、高しきい値推定におけるCVの安定化を目的としたデータ変換を用いる。デンマークの火災保険損害データを用いた検証では、従来手法に比べてサンプルサイズと信頼性が向上した。極値指数ξ ≈ 0.5–0.6の一貫性ある推定が得られた。

ABSTRACT

The possibilities of the use of the coefficient of variation over a high threshold in tail modelling are discussed. The paper also considers multiple threshold tests for a generalized Pareto distribution, together with a threshold selection algorithm. One of the main contributions is to extend the methodology based on moments to all distributions, even without finite moments. These techniques are applied to Danish fire insurance losses.

研究の動機と目的

• 重尾分布（有限モーメントを持たないものも含む）への残差係数変動（CV）の適用を拡張するため、重尾データにおけるCVの安定化を図るデータ変換を導入する。
• 複数のしきい値検定と残差CVに基づく、主観的でない自動化されたしきい値選択アルゴリズムの開発により、極値モデリングにおける主観性を低減する。
• 実世界のデータセット（デンマークの火災保険損害）に対して提案手法を検証し、既存の結果と整合性を保ちつつ、サンプルサイズと推定精度を向上させることを目的とする。
• 平均超過プロットに対する代替手法として、CVの定常性を検出することが、超過値における線形トレンドの検出よりも統計的に単純かつ信頼性が高いことを示す。
• 変換に基づくCVの安定化により、無限分散モデル（ξ > 0.5）における極値指数ξの正確な推定を可能とし、元のCV手法の制限（ξ < 0.25）を克服する。

提案手法

• スケールおよび形状母数の最尤推定量$ \tilde{\theta} $と$ \tilde{\nu} $を用いて、元のデータを$ Z = -1/(X + \frac{\tilde{\theta}}{\tilde{\nu}}) + \frac{1}{\tilde{\theta}} $として変換し、重尾GPDデータを軽尾データに変換する。この変換により、極値指数の符号が反転する。
• 変換後のデータに対して残差CVを適用し、GPD仮定のもとでCVが定数となることを確認する。これにより、視覚的および統計的検定を用いて安定した尾部挙動の検出が可能になる。
• 仮説検定のための複数しきい値検定統計量$ T_m $を定義する。$ T_m $は、実証的CVが理論的値$ c_\nu = \frac{1}{\nu} $からの二乗偏差の和として定義され、与えられたξに対してデータがGPDに従うという帰無仮説を検証する。
• 順次、順序統計量に基づき最小の24%のデータを除外し、シミュレーションに基づく推論によるp値を用いて残差CVの定常性をテストする、自動化されたしきい値選択アルゴリズムを構築する。
• CVプロット（実証的残差CV vs. しきい値）を診断ツールとして用い、従来の平均超過プロットと比較する。本手法の利点はスケール不変性と1パラメータの定数性検出にあり。
• デンマークの火災保険データ（n=2445）に本手法を適用し、データ変換を行い、複数のしきい値におけるCVの定常性をテストすることで、GPD適合に適した高しきい値領域を同定する。

実験結果

リサーチクエスチョン

• RQ1 有限モーメントを持たない重尾分布（無限分散を伴う）において、従来のモーメントベース手法が失敗する状況でも、残差係数変動（CV）を用いてGPD挙動を信頼性高く検出できるか？
• RQ2 元のCV手法の制限（ξ < 0.25）を超えて、ξ > 0.25 の非常に重尾なデータを扱うために、CV手法をどのように拡張できるか？
• RQ3 提案された変換に基づくアプローチは、実世界の保険損害データに適用した場合、極値指数ξの推定において一貫性と正確性を示すか？
• RQ4 残差CVの安定性に基づく、主観的でない自動化されたしきい値選択アルゴリズムは、極値分析において、平均超過プロットの主観的視覚的検査を上回る性能を示すか？
• RQ5 変換後のデータに残差CV手法を適用した場合、サンプルサイズがξ推定の精度に与える影響は何か？

主な発見

• 変換$ Z = -1/(X + \frac{\tilde{\theta}}{\tilde{\nu}}) + \frac{1}{\tilde{\theta}} $は、モーメントが存在しない重尾データに対しても、残差CVの安定化に成功し、ξの信頼性ある推定を可能にする。
• デンマークの火災保険損害データにおいて、変換後データ（Z）の残差CVプロットは、約0.675の安定したCVを示し、ξ ≈ 0.599のGPD仮定を支持する。これは、MLE推定値ξ = 0.50（SE = 0.14）と整合的である。
• 自動化されたしきい値選択アルゴリズムにより、変換後Zの最後の951観測値で残差CVが安定していることが判明し、ξ = 0.599（p値 = 0.167）が得られた。これは、従来の109観測値のサブセットに比べ、ロバスト性とサンプルサイズの向上を示している。
• 本手法により、GPDモデルにおけるξ ≈ 0.5の妥当性が、上位109観測値だけでなく、951観測値のより大きなサブセットに対しても確認された。これにより、推定精度が顕著に向上した。
• m=20の複数しきい値検定$ T_m $において、ξ = 0.5のp値は0.421であり、帰無仮説が棄却されず、ξ = 0.50のGPD適合が支持された。
• CV手法による極値指数の推定値（ξ ≈ 0.60）は、MLE推定値の95%信頼区間（0.50 ± 0.28）内に収まり、提案手法の整合性と信頼性を示している。