[논문 리뷰] An essay on copula modelling for discrete random vectors; or how to pour new wine into old bottles

Gery Geenens|arXiv (Cornell University)|2019. 01. 25.

Financial Risk and Volatility Modeling참고 문헌 39인용 수 3

한 줄 요약

이 논문은 Udny Yule의 1세기 전의 아이디어를 부활시켜 이산 확률 벡터를 위한 재구상된 코퓰라 프레임워크를 제안한다. 기존의 확률적 적분 변환에 기반한 전통적 코퓰라 정의를, 가장자리에 관계없이 의존성 구조를 포착하는 '핵심' 개념으로 대체한다. 이 방법은 이산 데이터에서 고유하고 가장자리에 종속되지 않는 의존성 모델링을 가능하게 하며, 코퓰라의 핵심적 이점인 유연성과 식별 가능성(identifiability)을 회복하면서도 오랫동안 지속된 이산 케이스에서의 전통적 코퓰라의 식별 가능성 문제를 해결한다.

ABSTRACT

Copulas have now become ubiquitous statistical tools for describing, analysing and modelling dependence between random variables. Sklar's theorem, "the fundamental theorem of copulas", makes a clear distinction between the continuous case and the discrete case, though. In particular, the copula of a discrete random vector is not identifiable, which causes serious inconsistencies. In spite of this, downplaying statements are widespread in the related literature, and copula methods are used for modelling dependence between discrete variables. This paper calls to reconsidering the soundness of copula modelling for discrete data. It suggests a more fundamental construction which allows copula ideas to smoothly carry over to the discrete case. Actually it is an attempt at rejuvenating some century-old ideas of Udny Yule, who mentioned a similar construction a long time before copulas got in fashion.

연구 동기 및 목표

• 이산 랜덤 벡터에 적용할 때 전통적 코퓰라 이론의 근본적 결함을 해결하는 것: 누적분포함수(CDF)의 비연속성으로 인해 코퓰라가 식별 불가능해지는 문제.
• Udny Yule(1912) 및 다른 이들의 역사적 아이디어를 부활하고 정형화하는 것: 당초의 이론은 연도표를 표준화하여 균일한 가장자리로 만들고, 이를 통해 의존성을 고립시키는 것을 제안했다.
• 모든 가장자리 분포에 독립적인 고유하게 정의된 '핵심'이라는 새로운 이산 코퓰라 클래스를 구성함으로써, 코퓰라의 핵심 약속인 의존성과 가장자리의 분리 능력을 복원하는 것.
• 클래식한 연속 코퓰라(예: 클레이튼, 가우시안)가 핵심 프레임워크를 통해 재해석될 경우, 이산 분포(예: 포아송, 기하분포)의 의존성을 여전히 기술할 수 있음을 보여주는 것.
• 새로운 이산 코퓰라 가족(예: 베르누이, 이항, 기하, 포아송 코퓰라)을 도입하여, 새로운 프레임워크와 일치시키고 기존 코퓰라의 바람직한 성질을 유지하는 것.

제안 방법

• 의존성 구조가 같고 가장자리 분포에 관계없이 동일한 '핵심'을 갖는 이元분포의 동치 클래스로 '핵심'을 정의한다.
• 확률적 적분 변환에 기반한 전통적 코퓰라 정의를 대체하기 위해, Yule(1912)가 제안한 빈도 스케일링을 통한 균일한 가장자리로의 표준화 방법을 적용한다.
• 반복적 비례 조정(Iterative Proportional Fitting, IPF)을 사용하여 임의의 이산 가장자리와 주어진 의존성 구조를 결합함으로써, 목표 코퓰라의 구조를 유지하는 유효한 이元분포를 생성한다.
• 코퓰라 밀도의 이산적 대응인 '코퓰라 PMF' 개념을 도입하여, 핵심 프레임워크에서 의존성 구조를 고유하게 특징짓는다.
• 베르누이에서 유한 지지 및 가чёт히 무한 지지(예: ℕ×ℕ)로의 프레임워크 일반화를 수행하며, 핵심 프레임워크를 통해 재해석될 경우 기존의 연속 코퓰라가 이러한 설정에서도 여전히 의존성을 기술할 수 있음을 보여준다.
• 핵심 기반 접근법에서 유도된 새로운 코퓰라 가족, 예를 들어 마셜-올킨 이원 기하분포에 대한 기하 코퓰라와 이원 포아송 분포에 대한 포아송 코퓰라를 구성한다.

실험 결과

연구 질문

• RQ1 이산 케이스에서 전통적 코퓰라의 식별 가능성과 가장자리에 종속되지 않는 모델링을 복원할 수 있는 이산 코퓰라 프레임워크를 구성할 수 있는가?
• RQ2 Yule(1912)와 Mosteller(1968)의 역사적 아이디어를 현대 통계 프레임워크로 정형화할 수 있는가?
• RQ3 모든 가장자리 분포에 독립적인 의존성 구조를 포착할 수 있는 고유한 '코퓰라 PMF'를 이산 분포에 대해 정의할 수 있는가?
• RQ4 클래식한 연속 코퓰라(예: 클레이튼, 가우시안)가 핵심 프레임워크를 통해 재해석될 경우, 이산 데이터에 의미 있게 적용될 수 있는가?
• RQ5 이 프레임워크에서 유도되는 새로운 이산 코퓰라 가족(예: 베르누이, 포아송, 기하)은 무엇이며, 알려진 多변량 이산 분포와 어떻게 관련이 있는가?

주요 결과

• 기존의 코퓰라 정의는 이산 랜덤 벡터에 대해 실패한다. 확률적 적분 변환은 균일한 가장자리를 도출하지 못하며, 이로 인해 식별 불가능한 코퓰라가 발생한다.
• 의존성 구조가 동일한 분포의 동치 클래스로 '핵심'을 정의함으로써, 제안된 프레임워크는 이산 설정에서 식별 가능성과 가장자리에 종속되지 않는 모델링을 복원한다.
• IPF를 통해 임의의 이산 가장자리(예: 포아송(2))와 임의의 전통적 코퓰라(예: θ = -0.2인 클레이튼, ρ = -0.8인 가우시안)를 결합할 수 있으며, 이를 통해 원하는 의존성을 갖는 유효한 이원분포를 생성할 수 있다.
• 이 프레임워크는 이산 분포에 대해 '코퓰라 PMF'의 존재성과 유일성을 보장하며, 이는 연속 케이스에서의 코퓰라 밀도와 유사하다.
• 기하 코퓰라와 포아송 코퓰라와 같은 새로운 이산 코퓰라 가족이 도입되었으며, 이는 잘 알려진 이산 다변량 분포의 의존성을 기술한다.
• 핵심 개념을 통해 기존의 코퓰라 이론과 이산 데이터를 조율함으로써, 스칼라 정리가 직접 적용되지는 않지만 의존성 분리의 핵심 아이디어는 핵심 개념을 통해 여전히 타당하다는 것을 보여준다.