[논문 리뷰] A Bivariate Copula Additive Model for Location, Scale and Shape

Giampiero Marra, Rosalba Radice|arXiv (Cornell University)|2016. 05. 24.

Statistical Methods and Inference참고 문헌 2인용 수 3

한 줄 요약

이 논문은 GAMLSS를 확장하여 이元 연속 반응을 함께 모델링하기 위해 이元의 모수와 상관 구조를 영향을 미치는 예측 변수를 유연하게 모델링할 수 있도록 위치, 척도, 형태 모수를 허용하는 이변량 커플라 추가 모형을 제안한다. 이 방법은 자동 부드러움 파라미터 선택을 포함한 페널라이즈드 우도 추정을 사용하여 임계 분포와 상관 구조의 파라미터를 동시에 추정할 수 있으며, 임계 분포와 커플라 가족에 대해 임의의 비모수 연속 분포를 사용할 수 있다.

ABSTRACT

Rigby & Stasinopoulos (2005) introduced generalized additive models for location, scale and shape (GAMLSS) where the response distribution is not restricted to belong to the exponential family and its parameters can be specified as functions of additive predictors that allows for several types of covariate effects (e.g., linear, non-linear, random and spatial effects). In many empirical situations, however, modeling simultaneously two or more responses conditional on some covariates can be of considerable relevance. In this article, we extend the scope of GAMLSS by introducing a bivariate copula additive model with continuous margins for location, scale and shape. The framework permits the copula dependence and marginal distribution parameters to be estimated simultaneously and, like in GAMLSS, each parameter to be modeled using an additive predictor. Parameter estimation is achieved within a penalized likelihood framework using a trust region algorithm with integrated automatic multiple smoothing parameter selection. The proposed approach allows for straightforward inclusion of potentially any parametric continuous marginal distribution and copula function. The models can be easily used via the copulaReg() function in the R package SemiParBIVProbit. The usefulness of the proposal is illustrated on two case studies (which use electricity price and demand data, and birth records) and on simulated data.

연구 동기 및 목표

• 이원 반응에 대해 커플라 기반의 상관 관계를 통합함으로써 GAMLSS 프레임워크를 확장한다.
• 예측 변수 효과가 영향을 미치는 추가 예측 변수를 사용하여 두 임계 분포의 위치, 척도, 형태 모수를 모델링한다.
• 통합적이고 동시에 추정 가능한 프레임워크 내에서 임계 분포 파라미터와 함께 커플라 상관 관계 파라미터를 추정한다.
• 통합된 추정 절차 내에서 임의의 비모수 연속 임계 분포와 커플라 함수를 사용할 수 있도록 한다.
• 응용 연구자들이 사용할 수 있도록 R 패키지 SemiParBIVProbit의 copulaReg() 함수를 통한 실용적 구현을 제공한다.

제안 방법

• 이원 연속 반응의 임계 분포를 영향을 미치는 유연한 비모수 가족으로 모델링하며, 위치, 척도, 형태 모수를 추가 예측 변수로 사용한다.
• 두 반응 간의 상관 관계를 커플라 함수로 모델링하며, 상관 관계 파라미터 역시 추가 예측 변수로 모델링한다.
• 스무스 항의 추정을 위해 P-spline을 사용하는 페널라이즈드 우도 접근법을 적용하여 비선형 및 복잡한 예측 변수 효과를 허용한다.
• 안정적인 수렴을 보장하기 위해 최적화에 신뢰 영역 알고리즘을 적용한다.
• 일반화된 교차 검증 또는 제한 최대 우도를 통한 통합 자동 다중 부드러움 파라미터 선택을 통합한다.
• 임의의 비모수 연속 임계 분포와 커플라 가족(예: 가우시안, 클레이튼, 프랭크)을 지원하여 광범위한 적용 가능성을 확보한다.

실험 결과

연구 질문

• RQ1 통합된 모형이 비선형 예측 변수 효과를 허용하면서도 동시에 임계 분포 파라미터와 커플라 상관 관계 파라미터를 추정할 수 있는가?
• RQ2 제안된 모형은 임계 분포와 상관 관계 구조에서 비선형 및 공간 효과를 얼마나 잘 포착할 수 있는가?
• RQ3 유한 표본에서 모형의 성능은 어떻게 되며, 기존의 이원 모형과 비교해 볼 때 어떤가?
• RQ4 자동 부드러움 파라미터 선택 절차는 모형 적합도와 복잡성의 균형을 얼마나 효과적으로 유지하는가?
• RQ5 복잡한 상관 관계와 비선형 예측 변수 효과를 가진 실제 데이터에 대해 모형을 실용적으로 적용할 수 있는가?

주요 결과

• 제안된 이변량 커플라 추가 모형은 통합된 페널라이즈드 우도 프레임워크를 통해 모든 임계 분포 및 상관 관계 파라미터를 동시에 추정하는 데 성공하였다.
• 시뮬레이션 연구를 통해 비선형 및 공간 효과가 두 임계 분포와 커플라 상관 관계 구조에서 정확하게 추정됨을 입증하였다.
• 유한 표본에서 과적합을 줄이기 위해 자동 부드러움 파라미터 선택 절차가 모형 적합도와 복잡성의 균형을 효과적으로 유지하였다.
• 실제 데이터에서의 성능이 양호하였으며, 전기 가격과 수요, 출생 기록의 두 사례 연구를 통해 복잡한 상관 관계와 예측 변수 효과를 잘 포착하였다.
• R 패키지 SemiParBIVProbit의 copulaReg() 함수를 통한 구현은 연구자들이 쉽게 적용할 수 있도록 하였다.
• 이 프레임워크는 매우 일반적이고 영향력 있으며, 임의의 비모수 연속 임계 분포와 커플라 가족을 지원하여 실용적 유용성을 높였다.