[논문 리뷰] A comprehensive empirical power comparison of univariate goodness-of-fit tests for the Laplace distribution

Alain Desgagné, Pierre Lafaye de Micheaux외 1명|arXiv (Cornell University)|2020. 07. 12.

Statistical Distribution Estimation and Applications참고 문헌 47인용 수 4

한 줄 요약

이 논문은 11개 모델에서 유도된 총 400개의 보조 분포를 포함해 다양한 대안 분포를 고려한 단일 변수 라플라스 분포에 대한 40개의 적합도 검정의 포워드력 비교를 위한 종합적인 몬테카를로 시뮬레이션을 제시한다. 연구는 LK, DLOX, ZC 검정이 전반적으로 가장 강력한 성능을 보이며, 비대칭성과 무거운 尾를 지닌 대안을 탐지하는 데 특히 뛰어나며, 20개의 성능 그룹 중 14개에서 LK 검정이 1위를 차지했다.

ABSTRACT

In this paper we present the results from an empirical power comparison of 40 goodness-of-fit tests for the univariate Laplace distribution, carried out using Monte Carlo simulations with sample sizes $n = 20, 50, 100, 200$, significance levels $\alpha = 0.01, 0.05, 0.10$, and 400 alternatives consisting of asymmetric and symmetric light/heavy-tailed distributions taken as special cases from 11 models. In addition to the unmatched scope of our study, an interesting contribution is the proposal of an innovative design for the selection of alternatives. The 400 alternatives consist of 20 specific cases of 20 submodels drawn from the main 11 models. For each submodel, the 20 specific cases corresponded to parameter values chosen to cover the full power range. An analysis of the results leads to a recommendation of the best tests for five different groupings of the alternative distributions. A real-data example is also presented, where an appropriate test for the goodness-of-fit of the univariate Laplace distribution is applied to weekly log-returns of Amazon stock over a recent four-year period.

연구 동기 및 목표

• 단일 변수 라플라스 분포에 대한 40개의 적합도 검정을 대규모로 실험적으로 포워드력 비교하는 것.
• 이전 연구에서 제한된 범위와 잠재적 편향이 존재하므로, 400개의 보조 분포를 체계적으로 설계한 포괄적인 세트를 사용해 이를 해결하는 것.
• 대칭, 비대칭, 경량 꼬리, 무거운 꼬리 모델을 포함한 다양한 대안 분포 클래스에 적합한 가장 효과적인 검정을 제안하는 것.
• 실제 데이터에서 라플라스성 여부를 판단하기 위해 연구자와 실무자가 적절한 검정을 선택할 수 있도록 기준이 되는 기준을 제공하는 것.

제안 방법

• 표본 크기 n = 20, 50, 100, 200 및 유의수준 α = 0.01, 0.05, 0.10을 사용한 몬테카를로 시뮬레이션을 시행한다.
• 문헌에서 기존으로 알려진 38개의 적합도 검정과 Desgagné 등 (2022)에서 제안한 두 가지 신규 검정을 포함해 총 40개의 검정을 평가한다.
• 11개의 주요 분포 모델에서 유도된 20개의 하위모델에 각각 20개의 특정한 모수값을 선택하여 총 400개의 보조 분포를 선별하는 혁신적인 설계를 시행한다.
• 보조 분포에는 대칭적 경량 꼬리 6개, 대칭적 무거운 꼬리 6개, 비대칭 하위모델 8개가 포함되어 있어 포워드력 범위를 완전히 커버한다.
• 각 검정-보조 분포 조합에 대해 10,000회의 몬테카를로 반복을 기반으로 실증적 포워드력을 계산한다(반복 중 귀무가설 기각 비율로 계산).
• 결과는 다섯 그룹으로 집계 및 순위 매기기: 전체 모델, 대칭, 대칭적 무거운 꼬리, 대칭적 경량 꼬리, 비대칭 대안.

실험 결과

연구 질문

• RQ1 다양한 대안 분포에 걸쳐 가장 높은 실증적 포워드력을 보이는 라플라스 분포에 대한 적합도 검정은 무엇인가?
• RQ2 대칭 대비 비대칭, 경량 꼬리 대비 무거운 꼬리 대안을 탐지할 때, 다양한 검정 통계량의 성능은 어떻게 다를까?
• RQ3 최근 제안된 검정들은 다양한 대안 상황에서 기존의 검정들에 비해 상대적으로 어떻게 성능을 보이는가?
• RQ4 유의수준과 표본 크기의 선택이 검정의 포워드력 순위에 어떤 영향을 미치는가?
• RQ5 다양한 대안 분포 클래스에 걸쳐 가장 강건한 성능을 보이는 검정은 무엇인가?

주요 결과

• n=200 및 α=0.10 조건에서 LK 검정은 모든 대안 분포에 대해 평균 실증 포워드력 91.4%를 기록하며, 20개의 성능 그룹 중 14개에서 1위를 차지했다.
• DLOX 및 ZC 검정은 평균 포워드력이 각각 91.3%와 91.0%로 뒤이어 높은 성능을 보였으며, 다섯 그룹 모두에서 상위 3위 이내에 속했다.
• 비대칭 대안에서는 LK 검정이 가장 높은 포워드력(91.4%)을 기록했으며, 이는 다음으로 높은 검정(DLOX, 91.3%)을 뛰어넘었고, 가장 낮은 검정(SD, 13.6%)과의 격차는 77.8个百分点였다.
• 대칭적 무거운 꼬리 대안에서는 APy와 APe가 각각 82.3%와 81.5%의 포워드력을 기록했으며, LK 검정은 전체적으로 1위를 차지하며 82.3%의 포워드력을 기록했다.
• n=200 및 α=0.10 조건에서 SD 검정은 모든 대안 분포에 대해 평균 포워드력 10.6%를 기록하여 낮은 탐지 능력을 보였다.
• 각 하위모델에 대해 20개의 모수값을 선택함으로써 보다 포괄적인 포워드력 범위를 커버할 수 있었으며, 이는 검정 간 성능 차이를 의미 있게 구분할 수 있도록 했다.