[논문 리뷰] Fast and Robust Parametric Estimation for Time Series and Spatial Models

Stéphane Guerrier, Roberto Molinari|arXiv (Cornell University)|2016. 07. 20.

Advanced Statistical Methods and Models참고 문헌 54인용 수 4

한 줄 요약

이 논문은 계산적으로 효율적이고 수치적으로 안정적인 두 차수의 내재적으로 정적인 시간 시계열 및 공간 모델에 대한 강력한 파rametric 추정을 위한 강력한 일반화된 웨이블릿 모멘트 방법(RGMWM)을 소개한다. 웨이블릿 분산의 M-추정량을 사용함으로써 이론적 외곽선의 영향을 효과적으로 제한하며, 오염된 시나리오에서 기존 방법보다 뛰어난 성능을 보이며, 복잡한 모델에 대해서도 강력한 점근적 성질과 계산 가능성 유지한다.

ABSTRACT

We present a new framework for robust estimation and inference on second-order stationary time series and random fields. This framework is based on the Generalized Method of Wavelet Moments which uses the wavelet variance to achieve parameter estimation for complex models. Using an M-estimator of the wavelet variance, this method can be made robust therefore allowing to estimate the parameters of a wide range of time series and spatial models when the data suffers from outliers or different forms of contamination. The paper presents a series of simulation studies as well as a range of applications where this new approach can be considered as a computationally efficient, numerically stable and robust method which performs at least as well as existing methods in bounding the influence of outliers on the estimation procedure.

연구 동기 및 목표

• 데이터 오염 상황에서 강력하고 계산적으로 효율적이며 수치적으로 안정적인 시간 시계열 및 공간 모델에 대한 파arametric 추정 방법의 부족을 해결하기 위해.
• 일반화된 웨이블릿 모멘트 방법(GMWM)을 무작위 필드로 확장하여 내재적으로 정적 과정에 대한 강력한 추론을 가능하게 하기 위해.
• 큰 표본 크기와 복잡한 모델에서도 통계적 효율성과 계산 가능성의 균형을 유지하는 통합 프레임워크를 제공하기 위해.
• 기존의 GMM 및 MLE 추정량의 한계를 극복하기 위해, 보조 파rameter 선택이 필요하거나 고차원 설정에서 수치적 불안정성이 발생하는 경우를 방지하기 위해.

제안 방법

• 모델 파arameter를 추정하기 위해 보조 통계량으로 웨이블릿 분산(WV)을 사용함으로써 GMWM 프레임워크를 무작위 필드로 확장한다.
• 극단적 관측치의 영향을 제한하기 위해 웨이블릿 분산의 M-추정량을 사용하여 강력성을 확보한다.
• 정규성 가정 없이도 일致성, 동시 점근 정규성, 강력성을 확보할 수 있는 웨이블릿 분산의 M-추정량을 선택한다.
• 모수 추정은 경험적 웨이블릿 분산과 이론적 웨이블릿 분산 간의 가중 차이를 최소화하는 방법을 통해 수행된다.
• 추정량의 점근적 분포를 따르며, Guerrier 등(2013)의 접근 방식에 따라 신뢰구간을 구성한다.
• 이 방법은 시간 시계열 및 공간 모델, 잠재 과정, SARIMA 및 지수 공분산 구조를 포함한 복합 모델에 적용된다.

실험 결과

연구 질문

• RQ1 GMWM 프레임워크는 공간 모델 및 내재적으로 정적 무작위 필드로 강력하게 확장될 수 있는가?
• RQ2 표준 추정량과 비교해 복잡한 오염 상황에서 RGMWM의 추정 정확도, 계산 효율성, 수치적 안정성은 어떠한가?
• RQ3 의존적인 자료 설정에서 웨이블릿 분산의 M-추정량 사용이 외곽선의 영향을 얼마나 줄이는가?
• RQ4 정규성에서 벗어나거나 구조적 이상이 있는 자료 상황에서도 RGMWM은 강력한 점근적 성질과 신뢰할 수 있는 추론을 유지하는가?
• RQ5 큰 표본 크기에서 복잡한 모델, 예를 들어 잠재 시간 시계열 및 공간 무작위 필드에 대해 RGMWM은 신뢰할 수 있는 모수 추정을 제공할 수 있는가?

주요 결과

• RGMWM 추정량은 특히 오염된 자료 상황에서 기존의 강력한 방법과 유사하거나 더 우수한 성능을 보이며 외곽선의 영향을 효과적으로 제한한다.
• 구름 영상 자료의 네 번째 영역에서 RGMWM은 분산 파arameter σ²를 1.063×10⁻²로 추정하였고, 이는 GMWM 추정치 3.615×10⁻²보다 유의미하게 낮아 변동성의 과대추정을 줄였음을 시사한다.
• 세 번째 영역에서는 RGMWM이 σ²를 1.096×10⁻²로 추정하였고, 이는 GMWM 추정치 3.436×10⁻²보다 낮아 변동성 과대추정이 일관되게 감소함을 보여준다.
• 모든 영역에서 범위 파arameter φ는 GMWM 및 RGMWM 모두에서 일관되게 추정되었으며, 95% 신뢰구간이 겹치는 것으로 나타나 척도 추정의 강력성을 입증한다.
• 이 방법은 큰 공간 자료셋에서도 높은 계산 효율성과 수치적 안정성을 보였으며, 복잡한 모델에 대해 MLE 및 GMM보다 적용 가능성이 뛰어나다.
• 웨이블릿 분산의 M-추정량의 점근적 성질이 성공적으로 RGMWM로 이관되어 타당한 추론과 신뢰구간 구성이 가능해졌다.