[논문 리뷰] Bimatrix variate generalised beta distributions

José A. Dı́az-Garcı́a, Ramón Gutiérrez Jáimez|ArXiv.org|2009. 04. 11.

Bayesian Methods and Mixture Models참고 문헌 15인용 수 10

한 줄 요약

이 논문은 세 개의 독립적인 행렬변량 감마 변수를 기반으로 하여 행렬변량 베타 분포의 확장으로 이중행렬변량 일반화된 베타 분포를 도입한다. 주요 기여는 이러한 분포에 대한 정확한 밀도 함수와 모멘트를 유도하는 것으로, 이는 시간 순서로 정렬된 관측치 간의 종속성 가정 하에 다변량 분석, 다차원 척도법 및 형태 이론에의 적용 가능성을 제공한다.

ABSTRACT

In this paper, we extend the study of bivariate generalised beta type I and II distributions to the matrix variate case.

연구 동기 및 목표

• 세 개의 독립적인 행렬변량 감마 변수를 기반으로 하여 행렬변량 베타 분포를 일반화하기 위해 이중행렬변량 일반화된 베타 분포를 도입한다.
• 반복 측정 또는 시간에 따른 관측에서 유도되는 두 개의 랜덤 행렬 간의 종속성을 모델링한다.
• 이중행렬변량 일반화된 베타 분포에 대한 정확한 결합 밀도 함수와 모멘트 생성 함수를 도출한다.
• 비.i.i.d. 가정 하에 다차원 척도법 및 애핀 형태 분석에 응용하기 위한 이론적 기초를 제공한다.
• 기존의 단변량 및 행렬변량 베타 모델을 명시적인 파라미터화와 분포적 성질을 갖는 이중행렬 프레임워크로 확장한다.

제안 방법

• 이중행렬변량 일반화된 베타 분포는 파arameter $a$, $b$, $c$를 갖는 세 개의 독립적인 행렬변량 감마 분포를 갖는 랜덤 행렬에 대한 변환을 통해 정의된다.
• 대칭 정부호행렬에 대한 변수변환과 자코비안 행렬식을 이용하여 $\mathbf{U}_1$과 $\mathbf{U}_2$의 결합 밀도를 유도한다.
• 기존의 적분 표현식을 활용하여 행렬 인자에 대한 쌍곡함수 ${}_3F_2$를 사용하여 분포를 특성화한다.
• 다변량 베타 함수와 관련된 적분 항등식을 이용하여 $\mathbb{E}[|\mathbf{Z}|^r]$ 형태의 모멘트를 도출한다.
• $\mathbf{U}_1$과 $\mathbf{U}_2$의 역변환을 사용하여 $\mathbf{V}_1 = \mathbf{U}_1^{-1}$과 $\mathbf{V}_2 = \mathbf{U}_2^{-1}$의 밀도를 유도하며, 이는 역행렬을 포함하는 새로운 형태의 밀도를 도출한다.
• 잭 다항식과 행렬 인자를 갖는 초함수의 계산 알고리즘을 활용하여 이론적 결과를 뒷받침하며, 밀도 및 모멘트의 수치적 평가를 가능하게 한다.

실험 결과

연구 질문

• RQ1 반복 관측 또는 두 시점에서 유도되는 두 개의 종속적인 랜덤 행렬을 모델링하기 위해 행렬변량 베타 분포는 어떻게 일반화될 수 있는가?
• RQ2 세 개의 독립적인 행렬변량 감마 변수를 포함하는 이중행렬변량 일반화된 베타 분포의 정확한 결합 밀도 함수는 무엇인가?
• RQ3 특수함수의 행렬 인자를 사용하여 이중행렬 분포에 대한 $\mathbb{E}[|\mathbf{Z}|^r]$ 형태의 모멘트는 어떻게 도출할 수 있는가?
• RQ4 역행렬 $\mathbf{U}_1^{-1}$과 $\mathbf{U}_2^{-1}$의 분포는 무엇이며, 원래의 이중행렬 분포와의 관계는 어떠한가?
• RQ5 이 이중행렬 분포는 시간적 종속성 하에서 다차원 척도법 또는 형태 분석에서 학습 효과를 모델링하는 데 어떤 방식으로 적용될 수 있는가?

주요 결과

• $\mathbf{U}_1$과 $\mathbf{U}_2$의 결합 밀도는 $\frac{1}{\beta^*_m[a,b,c]} |\mathbf{U}_1|^{a-(m+1)/2} |\mathbf{U}_2|^{b-(m+1)/2} |\mathbf{I}_m - \mathbf{U}_1|^{c-(m+1)/2} |\mathbf{I}_m - \mathbf{U}_2|^{c-(m+1)/2} |\mathbf{I}_m - \mathbf{U}_1 - \mathbf{U}_2|^{a+b+c-(m+1)/2} (d\mathbf{U}_1)(d\mathbf{U}_2)$ 로 유도되며, $\mathbf{0} < \mathbf{U}_1, \mathbf{U}_2 < \mathbf{I}_m$ 및 $\mathbf{U}_1 + \mathbf{U}_2 < \mathbf{I}_m$ 조건에서 유효하다.
• $\mathbb{E}[|\mathbf{Z}|^r]$ 형태의 모멘트는 행렬 인자를 갖는 일반화된 초함수 ${}_3F_2$를 사용하여 표현되며, 적절한 파라미터 제약 조건 하에서 해석적 계산이 가능하다.
• 역변환을 통해 $\mathbf{V}_1 = \mathbf{U}_1^{-1}$과 $\mathbf{V}_2 = \mathbf{U}_2^{-1}$의 밀도는 $\frac{|\mathbf{V}_1|^{-a-(m+1)/2} |\mathbf{V}_2|^{-b-(m+1)/2} |\mathbf{I}_m - \mathbf{V}_1^{-1}|^{b+c-(m+1)/2} |\mathbf{I}_m - \mathbf{V}_2^{-1}|^{a+c-(m+1)/2}}{\beta^*_m[a,b,c] |\mathbf{I}_m - (\mathbf{V}_1\mathbf{V}_2)^{-1}|^{a+b+c}} (d\mathbf{V}_1)(d\mathbf{V}_2)$ 로 표현되며, $\mathbf{0} < \mathbf{V}_1, \mathbf{V}_2 < \mathbf{I}_m$ 조건에서 유효하다.
• 이 분포는 두 시점에서의 유사도 행렬이 서로 독립이 아닐 때 다차원 척도법에서 시간적 종속성을 모델링하는 데 적합함이 입증되었다.
• 이론적 프레임워크는 애인 형태 이론에서 이중행렬변량 일반화된 베타 분포의 사용을 뒷받침하며, 특히 코시 구성 밀도의 일반화로서의 적용 가능성을 시사한다.
• 코프와 에델만의 알고리즘을 활용하여 행렬변량 초함수를 계산함으로써 도출된 밀도 및 모멘트의 효율적 수치 평가가 가능해졌다.