[논문 리뷰] A Conditional Dependence Measure with Applications to Undirected Graphical Models

Jianqing Fan, Yang Feng외 1명|arXiv (Cornell University)|2015. 01. 07.

Advanced Statistical Methods and Models참고 문헌 29인용 수 3

한 줄 요약

이 논문은 관측 가능한 요인을 보정한 후 거리 공분산을 사용하여 비방향 그래픽 모델에 대한 새로운 조건부 의존도 측도를 제안한다. 근사적으로 타당한 검정을 도출하였으며, 이 검정의 근본 분포는 요인 하중의 루트-n 추정 오차에 영향을 받지 않아, 엄격한 유의수준 제어를 통해 효율적이고 정확한 의존성 그래프 구축이 가능하다.

ABSTRACT

Measuring conditional dependence is an important topic in statistics with broad applications including graphical models. Under a factor model setting, a new conditional dependence measure is proposed. The measure is derived by using distance covariance after adjusting the common observable factors or covariates. The corresponding conditional independence test is given with the asymptotic null distribution unveiled. The latter gives a somewhat surprising result: the estimating errors in factor loading matrices, while of root$-n$ order, do not have material impact on the asymptotic null distribution of the test statistic, which is also in the root$-n$ domain. It is also shown that the new test has strict control over the asymptotic significance level and can be calculated efficiently. A generic method for building dependency graphs using the new test is elaborated. Numerical results and real data analysis show the superiority of the new method.

연구 동기 및 목표

• 비관측 또는 관측 가능한 잠재 요인을 동반한 고차원 데이터에서 조건부 의존도를 측정하는 문제를 해결하기 위해.
• 요인 하중의 추정 오차가 존재하더라도 정확한 점근적 유의수준을 유지하는 조건부 독립성 검정을 개발하기 위해.
• 제안된 측도를 사용하여 비방향 그래픽 모델에서 효율적이고 신뢰할 수 있는 의존성 그래프를 구축하기 위해.
• 수치적 연구와 실데이터 적용을 통해 방법의 우수성을 입증하기 위해.

제안 방법

• 관측 가능한 공통 요인의 영향을 제거한 후 조건부 의존도를 평가하기 위해 요인 보정 거리 공분산 측도를 제안한다.
• 조건부 독립성 가설 하에서 검정 통계량의 점근적 근본 분포를 유도한다.
• 요인 하중 행렬의 추정 오차는 루트-n 순서이지만, 이는 점근적 근본 분포에 영향을 주지 않음을 보여준다.
• 제안된 조건부 독립성 검정을 사용하여 의존성 그래프를 구축하기 위한 일반적인 알고리즘을 개발한다.
• 재표본화가 필요 없는 방식으로 검정 통계량을 계산하여 계산 효율성을 확보한다.
• 점근적 근본 분포를 활용하여 검정의 유의수준을 이론적 보장과 함께 제어한다.

실험 결과

연구 질문

• RQ1 요인 하중의 추정 오차에 대해 강건한 조건부 의존도 측도를 구성할 수 있는가?
• RQ2 요인 하중이 루트-n 오차로 추정될 경우, 검정 통계량의 점근적 근본 분포가 여전히 타당한가?
• RQ3 제안된 방법이 조건부 독립성 검정에서 점근적 유의수준을 엄격히 제어할 수 있는가?
• RQ4 의존성 그래프 구축에서 새로운 방법의 성능은 기존 방법과 비교해 어떻게 다른가?
• RQ5 이 방법은 고차원적이고 요인에 의존하는 구조를 가진 실세계 데이터에 효율적으로 적용될 수 있는가?

주요 결과

• 요인 하중 행렬의 추정 오차가 루트-n 순서이더라도, 검정 통계량의 점근적 근본 분포는 변화하지 않는다.
• 제안된 검정은 점근적 유의수준을 엄격히 제어하여 신뢰할 수 있는 추론을 가능하게 한다.
• 재표본화 절차가 필요 없이 검정 통계량을 효율적으로 계산할 수 있다.
• 수치적 결과와 실데이터 분석을 통해 기존 방법보다 조건부 의존성을 탐지하는 데서 본 방법의 우수성을 입증한다.
• 잠재 요인이 존재하는 고차원 환경에서 제안된 검정을 사용해 구축한 의존성 그래프는 더 높은 정확도와 강건성을 보인다.