[논문 리뷰] A Copula Statistic for Measuring Nonlinear Multivariate Dependence

Mohsen Ben Hassine, Lamine Mili외 1명|arXiv (Cornell University)|2016. 12. 21.

Advanced Statistical Methods and Models참고 문헌 38인용 수 3

한 줄 요약

이 논문은 경험적 코풀라를 기반으로 한 새로운 다변량 의존도 측정법인 코풀라 통계량(CoS)을 소개한다. CoS는 비선형 의존도를 프레셰-후이딩 경계와 독립 코풀라에 대한 상대적 거리로 측정한다. 단조성 및 원형 의존성을 탐지하는 데 있어 TICe, dCor, RDC, Ccor보다 뛰어난 통계적 검정력을 보이며, 근사 정규성을 통해 강인한 독립성 검정이 가능하고, 노이즈가 있는 기능적 관계에서 강한 R²-등가성(정규화된 결정계수 등가성)을 나타낸다.

ABSTRACT

A new index based on empirical copulas, termed the Copula Statistic (CoS), is introduced for assessing the strength of multivariate dependence and for testing statistical independence. New properties of the copulas are proved. They allow us to define the CoS in terms of a relative distance function between the empirical copula, the Fréchet-Hoeffding bounds and the independence copula. Monte Carlo simulations reveal that for large sample sizes, the CoS is approximately normal. This property is utilised to develop a CoS-based statistical test of independence against various noisy functional dependencies. It is shown that this test exhibits higher statistical power than the Total Information Coefficient (TICe), the Distance Correlation (dCor), the Randomized Dependence Coefficient (RDC), and the Copula Correlation (Ccor) for monotonic and circular functional dependencies. Furthermore, the R2-equitability of the CoS is investigated for estimating the strength of a collection of functional dependencies with additive Gaussian noise. Finally, the CoS is applied to a real stock market data set from which we infer that a bivariate analysis is insufficient to unveil multivariate dependencies and to two gene expression data sets of the Yeast and of the E. Coli, which allow us to demonstrate the good performance of the CoS.

연구 동기 및 목표

• 상관계수를 넘어서 비선형 및 비단조선형 관계를 포괄하는 새로운 다변량 의존도 측정법을 개발하는 것.
• 노이즈 하에서 복잡한 기능적 의존성을 탐지하는 데 한계가 있는 기존 방법들(예: dCor, RDC)의 문제점을 해결하는 것.
• 큰 표본에서 높은 검정력과 정규성을 보이는 CoS 기반의 독립성 검정을 수립하는 것.
• 가감된 가우시안 노이즈가 있는 다양한 기능적 형태에서 의존도 강도 추정의 R²-등가성을 평가하는 것.
• 주식시장 및 유전자 발현 데이터 세트를 포함한 실세계 데이터에서 CoS의 효과성을 입증하는 것.

제안 방법

• CoS는 경험적 코풀라와 프레셰-후이딩 경계 사이의 상대적 거리 함수로 정의되며, 독립 코풀라를 기준으로 한다.
• 이 방법은 비모수적 기법을 활용해 모형 형태를 가정하지 않고 의존도 구조를 추정한다.
• 마르코프 몬테카를로 시뮬레이션을 통해 큰 표본 크기에서 CoS의 점근적 정규성을 입증하여, 파rametric 추론이 가능하게 한다.
• CoS의 정규 근사에 기반해 독립성 검정을 수립하며, 기각역은 표준 정규 분포의 분위수를 사용한다.
• 단조성, 원형, 노이즈가 있는 기능적 의존성을 가진 시뮬레이션 데이터를 사용해 CoS를 TICe, dCor, RDC, Ccor와 비교한다.
• 가감된 노이즈가 있는 다양한 기능적 관계에서 CoS가 분산 설명 비율을 일관되게 추정하는지 평가하기 위해 R²-등가성을 측정한다.

실험 결과

연구 질문

• RQ1 기존 방법들보다 CoS가 비선형 및 비단조선형 다변량 의존성을 더 효과적으로 탐지할 수 있는가?
• RQ2 큰 표본 크기에서 CoS가 점근적으로 정규성을 보이며, 신뢰할 수 있는 통계적 검정이 가능한가?
• RQ3 가감된 노이즈가 있는 다양한 기능적 형태에서 의존도 강도를 추정할 때 CoS의 R²-등가성은 어떻게 되는가?
• RQ4 이元 분석이 실패하는 실세계 데이터 세트에서 CoS는 숨겨진 다변량 의존성을 드러낼 수 있는가?
• RQ5 다양한 유형의 기능적 의존성을 탐지하는 데 있어 CoS 기반의 독립성 검정이 TICe, dCor, RDC, Ccor보다 더 높은 검정력을 보이는가?

주요 결과

• CoS 기반의 독립성 검정은 단조성 및 원형 기능적 의존성을 탐지하는 데 있어 TICe, dCor, RDC, Ccor보다 더 높은 통계적 검정력을 보였다.
• 큰 표본 크기에서 CoS는 근사적으로 정규분포를 이룬다. 이는 유효한 파rametric 추론 검정이 가능함을 의미한다.
• CoS는 강력한 R²-등가성을 보이며, 가우시안 노이즈가 가미된 다양한 기능적 관계에서 분산 설명 비율을 일관되게 추정한다.
• 실제 주식시장 데이터에서는 이원 분석이 다변량 의존성을 드러내지 못하지만, CoS는 이를 성공적으로 탐지한다.
• budding yeast 및 E. coli 유전자 발현 데이터 세트에서 CoS는 다른 방법들이 간과하거나 과소평가하는 의미 있는 다변량 의존성을 식별한다.
• 특히 원형 및 단조성 관계에서 노이즈가 존재하는 복잡한 비선형 의존성을 탐지하는 데 있어 CoS는 기존 방법들을 능가한다.