[논문 리뷰] A semi-parametric estimation for max-mixture spatial processes

Manaf Ahmed, Véronique Maume‐Deschamps외 2명|arXiv (Cornell University)|2017. 10. 23.

Spatial and Panel Data Analysis참고 문헌 21인용 수 3

한 줄 요약

이 논문은 최대혼합공간과정의 매개변수 추정을 향상시키기 위해 F-madogram을 사용하는 반모수적 추정 방법을 제안한다. 특히 점점 독립이 되는 상황에서의 추정 성능을 개선한다. 이 방법은 이론적 F-madogram과 경험적 F-madogram 간의 제곱차를 최소화하며, 점점 독립이 되는 근처 상황에서 복합우도보다 뛰어난 성능을 보이며, 오스트레일리아 동부 강수량 데이터에 대해 강력한 실증적 검증을 통과한다.

ABSTRACT

We proposed a semi-parametric estimation procedure in order to estimate the parameters of a max-mixture model and also of a max-stable model (inverse max-stable model) as an alternative to composite likelihood. A good estimation by the proposed estimator required the dependence measure to detect all dependence structures in the model, especially when dealing with the max-mixture model. We overcame this challenge by using the F-madogram. The semi-parametric estimation was then based on a quasi least square method, by minimizing the square difference between the theoretical F-madogram and an empirical one. We evaluated the performance of this estimator through a simulation study. It was shown that on an average, the estimation is performed well, although in some cases, it encountered some difficulties. We apply our estimation procedure to model the daily rainfalls over the East Australia.

연구 동기 및 목표

• 복합우도 추정의 한계, 특히 점점 독립이 되는 성분을 추정할 때의 문제점을 해결하기 위해.
• 점점 의존성(AD)과 점점 독립성(AI) 행동을 모두 포착할 수 있는 F-madogram을 의존성 측정으로 사용하여 반모수적 대안을 개발하기 위해.
• 모의실험과 실제 데이터 적용을 통해 F-madogram 기반 최소제곱 추정기의 성능을 평가하기 위해.
• 특히 Godambe 행렬 계산이 필요하지 않아 계산 비용이 더 적은 복합우도의 대안을 제공하기 위해.
• 모든 추정 프레임워크에서 정보기준(MIC 및 CLIC)을 사용하여 최적의 모형을 선택하기 위해.

제안 방법

• 이 방법은 F-madogram을 사용한다. F-madogram은 공간적 의존성 측정으로, $ \nu^F(h) = \mathbb{E}\left[ \left| \Lambda(F(X(s+h))) - \Lambda(F(X(s))) \right| \right] $ 로 정의되며, 여기서 $ \Lambda $ 는 표준 프레셰 분포 함수이다.
• 최대안정과정(예: TEG, 브라운-레스니크)과 점점 독립과정(예: 역브라운-레스니크, 역스미스)을 조합한 최대혼합모형에 대해 이론적 F-madogram 표현식을 유도한다.
• 경험적 F-madogram과 이론적 F-madogram 간의 통합 제곱차를 최소화하는 최소제곱 추정 절차를 사용하여 공간지연에 대해 적용한다.
• 모형 선택은 LS-madogram에 대한 MIC 및 복합우도에 대한 CLIC 기준을 사용하며, 더 낮은 값이 더 좋은 적합도를 의미한다.
• 모수적 GEV 피팅을 피하기 위해 경험적 누적분포함수를 사용하여 자료를 단위 프레셰 모서리로 비모수적으로 변환한다.
• 매개변수들이 F-madogram을 통해 식별 가능할 조건 하에서 LS-madogram 추정기의 일致성을 증명한다.

실험 결과

연구 질문

• RQ1 F-madogram은 점점 의존성과 점점 독립성을 동시에 포함하는 최대혼합공간과정에 대해 신뢰할 수 있고 정보적인 의존성 측정으로서 유용한가?
• RQ2 진짜 과정이 점점 독립이 되는 근처일 경우, F-madogram 기반 최소제곱 추정이 복합우도 추정보다 정확성과 강건성 면에서 뛰어나게 되는가?
• RQ3 실제 환경 데이터에서 LS-madogram과 복합우도 추정기의 계산 비용과 모형 선택 성능는 어떻게 비교되는가?
• RQ4 최대혼합모형 프레임워크 하에서 F-madogram 기반 추정기는 일致성과 식별성이 있는가?
• RQ5 정보기준을 사용하여 두 추정 방법 모두에서 어떤 모형 구조(예: TEG + 역브라운-레스니크)가 오스트레일리아 동부 일일 강수량 데이터에 가장 잘 맞는가?

주요 결과

• 모의실험에서 진짜 모형이 점점 독립이 되는 경우, LS-madogram 추정기가 복합우도보다 성능이 뛰어나며, 특히 AI 성분을 추정할 때 유의미하게 우수하다.
• 오스트레일리아 동부 강수량 데이터에서는 LS-madogram과 복합우도 모두 동일한 최적 모형(MM1)을 선택하여 두 방법 간의 강건성을 확인하였다.
• MIC 및 CLIC 기준은 두 추정 절차 모두에서 동일한 모형(MM1)을 선택하여 모형 선택의 일致성을 검증하였다.
• LS-madogram 방법은 Godambe 행렬 추정이 필요 없어 복합우도보다 훨씬 적은 계산량을 요구하였다.
• F-madogram은 최대혼합모형에서 의존성 구조를 성공적으로 포착하여, 하나의 해석 가능한 측정으로 AD 및 AI 매개변수를 동시에 추정할 수 있게 하였다.
• 최적 적합 모형인 MM1 하에서 경험적 F-madogram과 이론적 F-madogram 간의 강한 일치가 관찰되어, 이 방법의 타당성을 뒷받침하였다.