[논문 리뷰] Bayesian Inference from Composite Likelihoods, with an Application to Spatial Extremes

Mathieu Ribatet, Daniel Cooley외 1명|arXiv (Cornell University)|2009. 11. 27.

Hydrology and Drought Analysis참고 문헌 21인용 수 65

한 줄 요약

이 논문은 공간 극단치에서 전체 우도가 계산이 불가능할 경우에 대한 베이지안 추론 프레임워크를 개발하며, 복합 우도를 사용하는 방법을 제안한다. 이는 전체 우도가 계산이 불가능한 상황에서의 추론 문제를 다루며, 타당한 사후 추론을 위한 복합 우도 조정 방법을 제안하고, 시뮬레이션과 공간 강수량 데이터를 통해 신뢰구간이 적절한 커버리지를 가지며 모형 의존성도 효과적으로 반영함을 보여준다.

ABSTRACT

Composite likelihoods are increasingly used in applications where the full likelihood is analytically unknown or computationally prohibitive. Although the maximum composite likelihood estimator has frequentist properties akin to those of the usual maximum likelihood estimator, Bayesian inference based on composite likelihoods has yet to be explored. In this paper we investigate the use of the Metropolis--Hastings algorithm to compute a pseudo-posterior distribution based on the composite likelihood. Two methodologies for adjusting the algorithm are presented and their performance on approximating the true posterior distribution is investigated using simulated data sets and real data on spatial extremes of rainfall.

연구 동기 및 목표

• 전체 우도가 계산이 불가능한 경우, 특히 공간 극단치에 대해 복합 우도를 사용한 베이지안 추론 프레임워크를 개발하는 것.
• 빈도주의 방법론으로 널리 사용되지만, 아직 이론적 및 방법론적 개발이 부족한 베이지안 복합 우도 추론의 문제를 해결하는 것.
• 유연한 베이지안 계층 모형을 이용해 극단치의 극단적 행동을 모형화하고, 최대 안정 과정을 이용해 공간적 의존성을 모형화하는 복합 우도를 통합하는 것.
• 모형 오류가 있을 경우에도 渐近적으로 타당한 사후 추론을 가능하게 하는 복합 우도 조정 방법을 제안하고 평가하는 것.
• 메트로폴리스-하스팅스 및 지피 샘플러를 포함한 MCMC 방법을 구현하고 비교하여 복합 사후 분포에서 표본을 추출하는 것.

제안 방법

• 전체 우도가 계산이 어려운 경우에 유용한, 부분 우도의 가중치 합산으로 정의된 복합 우도를 사용하여 추론 가능성을 확보한다.
• 모형 오류가 있을 경우의 渐近 이론을 적용하여 복합 우도에 대한 조정을 도출함으로써, 사후 분포의 타당한 집중성과 커버리지를 보장한다.
• 표준 복합 우도 추론에서 발생하는 편향을 보정하기 위해 곡률 조정형 및 정보 조정형 복합 우도를 제안한다.
• 메트로폴리스-하스팅스 및 지피 샘플러의 두 변형을 사용하여 복합 사후 분포에서 사후 표본을 생성한다.
• 정규 조건 하에서 복합 사후 분포의 渐近 분포를 유도하여, 참 수치 중심의 정규 분포로 수렴함을 보이며, 의존성에 따라 조정된 분산-공분산 행렬을 가짐을 밝힌다.
• 시뮬레이션 데이터와 실제 공간 극단 강수량 데이터를 사용하여 방법의 타당성을 검증하며, 사후 커버리지 및 공간 의존성 모형화 성능을 평가한다.

실험 결과

연구 질문

• RQ1 최대 안정 과정을 사용한 공간 극단치에서 전체 우도가 계산이 불가능한 상황에서 복합 우도를 신뢰성 있게 베이지안 추론에 사용할 수 있는가?
• RQ2 모형 오류가 있을 경우 복합 우도는 어떻게 조정되어야 하며, 이로 인해 타당한 사후 추론이 가능해지는가?
• RQ3 결과로 도출된 사후 분포의 빈도주의적 성질은 무엇이며, 특히 신뢰구간의 커버리지 비율 측면에서 어떻게 평가되는가?
• RQ4 메트로폴리스-하스팅스 및 지피 샘플러와 같은 MCMC 알고리즘이 복합 사후 분포를 대상으로 하여 어떻게 성능을 발휘하는가?
• RQ5 제안된 방법은 극단 강수량 데이터의 극단적 행동과 공간 의존성 구조를 효과적으로 모형화할 수 있는가?

주요 결과

• 시뮬레이션 데이터에서 복합 우도 기반 사후 신뢰구간은 경험적으로 적절한 커버리지 비율을 확보하여, 방법의 빈도주의적 성질이 검증됨.
• 곡률 조정형 복합 우도는 모형 오류가 있을 경우에도 渐近적으로 참 분포와 일치하는 사후 분포를 생성함.
• 정보 조정형 복합 우도는 사후 분산 추정을 향상시켜, 표준 복합 우도 추론에서 흔히 발생하는 과소 추정 문제를 완화함.
• 메트로폴리스-하스팅스 및 지피 샘플러를 포함한 제안된 MCMC 알고리즘은 복합 사후 분포에서 효과적으로 표본을 추출하여 전면적인 베이지안 추론을 가능하게 함.
• 공간 극단 강수량 응용 사례에서, 방법은 지역 전역의 극단적 행동과 적절한 공간 의존성 구조를 효과적으로 포착함.
• 일반적인 경우에 渐近 분산 증폭 계수는 매개변수 차원을 초과하며, 이는 표준 복합 우도가 불확실성의 과소 추정을 유도함을 시사하며, 제안된 조정 방법이 이를 완화함.