[논문 리뷰] Constructing Likelihood Functions for Interval-valued Random Variables

Xin Zhang, Boris Béranger외 1명|arXiv (Cornell University)|2016. 07. 30.

Neural Networks and Applications참고 문헌 28인용 수 3

한 줄 요약

이 논문은 간격 값 데이터에 대한 가능도 기반 추론 프레임워크를 개발하며, 기저의 실수값 데이터 생성 과정을 모델링함으로써 간격 요약 자료로부터 직접적으로 파rametric 모델을 피팅할 수 있도록 한다. 이는 기존 방법에서의 균일성 가정의 한계를 극복하기 위해 순서 통계량과 집계 메커니즘을 통해 정확한 가능도를 유도함으로써 시뮬레이션과 실제 데이터에서 향상된 추론 정확도를 보여준다.

ABSTRACT

There is a growing need for the ability to analyse interval-valued data. However, existing descriptive frameworks to achieve this ignore the process by which interval-valued data are typically constructed; namely by the aggregation of real-valued data generated from some underlying process. In this article we develop the foundations of likelihood based statistical inference for random intervals that directly incorporates the underlying generative procedure into the analysis. That is, it permits the direct fitting of models for the underlying real-valued data given only the random interval-valued summaries. This generative approach overcomes several problems associated with existing methods, including the rarely satisfied assumption of within-interval uniformity. The new methods are illustrated by simulated and real data analyses.

연구 동기 및 목표

• 기본 데이터 생성 과정을 고려하지 않는 간격 값 데이터에 대한 강력한 통계적 추론 방법의 부족을 해결하기 위해.
• 기호 데이터 분석에서 흔히 사용되지만 자주 정당화되지 않는 간격 내 균일성 가정을 극복하기 위해.
• 개별 수준의 데이터가 필요 없이 간격 요약 자료로부터 직접적으로 모델 피팅이 가능한 가능도 기반 프레임워크를 개발하기 위해.
• 통계적 효율성과 정확도를 유지하는 간격 데이터 분석을 위한 생성적 접근을 제공하기 위해.
• 표준 가능도 이론을 집계된 실수값 데이터로부터 유도된 간격 값 관측치를 다룰 수 있도록 확장하기 위해.

제안 방법

• 간격 값 데이터를 알려진 데이터 집계 메커니즘(예: 최소/최대값, 분위수 등)을 가진 기저의 실수값 관측치 요약으로 모델링한다.
• 기저 데이터 포인트의 결합 분포를 통합하여 간격 값 관측치에 대한 정확한 가능도 함수를 도출한다.
• 순서 통계량과 다변량 적분을 사용하여 m개의 실수값 관측치가 지정된 간격 경계 내에 포함될 확률을 계산한다.
• 경계점과 내부 점의 조합 구성에 대한 합으로 가능도를 표현하여 간격 경계가 기저 데이터 포인트에 의해 어떻게 형성될 수 있는지 가능한 모든 경우를 고려한다.
• 공통 밀도 함수와 누적분포함수를 사용하여 최소/최대값, 첫 번째 및 세 번째 사분위수와 같은 다양한 집계 함수에 대해 가능도의 닫힌 형태 표현식을 도출한다.
• 정규분포 및 균일분포와 같은 파라미터 모델에 이 프레임워크를 적용하여 간격 요약 자료로부터 최대우도 추정을 가능하게 한다.

실험 결과

연구 질문

• RQ1 기본 데이터 생성 과정이 알려진 간격 값 데이터에 대해 가능도 기반 추론을 어떻게 구성할 수 있는가? 이 때 간격 내 균일성 가정을 하지 않는 조건에서.
• RQ2 기본 실수값 데이터 생성 과정에서 유도된 간격 값 관측치에 대한 정확한 가능도 함수는 무엇인가?
• RQ3 이러한 방법은 간격 내 균일성 가정을 하는 표준 기호 데이터 분석 방법과 비교해 어떻게 다를까?
• RQ4 집계 및 측정 불확실성이 존재하는 상황에서, 간격 요약 자료로부터 기저 모델 파rameter(예: 평균, 척도)를 정확히 복원할 수 있는가?
• RQ5 다른 집계 함수(예: 최소/최대값 대비 사분위수)를 사용할 경우, 결과 가능도 및 추론 품질에 어떤 영향을 미치는가?

주요 결과

• 제안된 가능도 프레임워크는 복잡한 집계 메커니즘 하에서도 최소한의 편향으로 진짜 모델 파rameter(예: μ=0, σ=2)를 간격 요약 자료로부터 성공적으로 복원한다.
• 시뮬레이션 결과, 균일분포에서 유도된 간격 데이터에 정규분포 모델을 피팅할 경우, 생성 가능도를 사용할 경우 표준 균일성 기반 방법보다 더 정확한 추정치를 얻는다.
• 정확한 집계 함수를 사용할 경우, 정규분포에 가까운 Q-Q 플롯이 항등선과 밀접하게 일치함으로써 양호한 적합도를 보여준다.
• 가능도 유도 과정에서 경계점 구성 요소를 포함시킴으로써, 이러한 구성 요소를 忽略한 근사 방법보다 추정 정확도가 크게 향상된다.
• 프레임워크는 데이터에 5%의 이상치가 포함된 경우에도 안정적인 파rameter 추정치를 유지하며 강건성을 확보한다.
• 이원 간격 내 m개의 관측치에 대한 가능도 표현식은 기저 데이터 포인트에 의해 간격 경계가 형성될 수 있는 가능한 모든 방식을 고려한 조합 항목을 포함한다.