[논문 리뷰] Modelling multivariate extreme value distributions via Markov trees

Shuang Hu, Zuoxiang Peng외 1명|arXiv (Cornell University)|2022. 07. 29.

Hydrology and Drought Analysis인용 수 4

한 줄 요약

이 논문은 높은 차원의 다변량 극단가치 분포를 근사하기 위해 이변량 극단가치 분포를 사용하는 트리 구조를 가진 마르코프 무작위필드 모델을 제안하며, 꼬리 상관도 계수를 이용해 프림 알고리즘을 적용하여 트리 구조를 학습한다. 이 방법은 희귀 사건의 확률에 대한 효율적인 추론을 가능하게 하며, 상단 다뉴브 강 유역의 유량 데이터에 대해 실증적으로 적용되었으며, 경험적 값보다 향상된 홍수 확률 추정치를 제공한다.

ABSTRACT

Multivariate extreme value distributions are a common choice for modelling multivariate extremes. In high dimensions, however, the construction of flexible and parsimonious models is challenging. We propose to combine bivariate max-stable distributions into a Markov random field with respect to a tree. Although in general not max-stable itself, this Markov tree is attracted by a multivariate max-stable distribution. The latter serves as a tree-based approximation to an unknown max-stable distribution with the given bivariate distributions as margins. Given data, we learn an appropriate tree structure by Prim's algorithm with estimated pairwise upper tail dependence coefficients as edge weights. The distributions of pairs of connected variables can be fitted in various ways. The resulting tree-structured max-stable distribution allows for inference on rare event probabilities, as illustrated on river discharge data from the upper Danube basin.

연구 동기 및 목표

• 고차원 다변량 극단가치 분포에 대해 민감하고 단순한 모델을 구축하는 데 도전하는 것.
• 마르코프 트리 구조를 사용하여 알려지지 않은 다변량 극단가치 분포에 대한 실현 가능한 근사 모델을 개발하는 것.
• 복잡한 고차원 의존성 구조에서 희귀 사건 확률에 대한 효율적인 추론을 가능하게 하는 것.
• 꼬리 상관도 측정치를 통해 데이터로부터 트리 구조를 학습함으로써 그래픽 모델과 극단가치 이론을 통합하는 것.
• 실제 수문학적 데이터를 활용하여 이 방법의 효과성을 입증하는 것 — 상단 다뉴브 강 유역에서의 데이터를 대상으로 한다.

제안 방법

• 이변량 극단가치 분포를 조건부 분포로 사용하여 트리 구조를 가진 마르코프 무작위필드를 구성하는 것.
• 추정된 상단 꼬리 상관도 계수 또는 켄달의 타우 값에서 유도된 간선 가중치를 사용하여 프림 알고리즘으로 최적의 트리 구조를 학습하는 것.
• 모멘트 추정기, M-추정기, 또는 k=65를 사용한 가중 최소제곱법을 활용해 연결된 쌍에 대해 이변량 허슬러–라인 분포를 피팅하는 것.
• 높은 임계값을 초과하는 초과치에 대해 일반화된 포아송 분포(GPD)를 피팅하여 모수 꼬리 확률을 추정하는 것 (p=0.9).
• 마르코프 트리의 극한으로서 전체 다변량 극단가치 분포를 근사하여 공동 꼬리 사건에 대한 추론을 가능하게 하는 것.
• 결과로 도출된 모델을 사용하여 다중 정류장에서의 홍수와 같은 희귀 사건의 확률을 계산하고 비교하는 것.

실험 결과

연구 질문

• RQ1 이변량 극단가치 분포를 기반으로 한 트리 구조 마르코프 무작위필드가 고차원 다변량 극단가치 분포를 효과적으로 근사할 수 있는가?
• RQ2 추정된 꼬리 상관도 계수(켄달의 타우 또는 상단 꼬리 상관도를 통한)를 기반으로 한 모델이 극단 사건의 진정된 의존성 구조를 얼마나 잘 포괄하는가?
• RQ3 다른 추정 방법에 비해 트리 기반 모델이 경험적 추정치에 비해 희귀 사건 확률 추정을 얼마나 향상시키는가?
• RQ4 다양한 피팅 방법(모멘트, M-추정기, WLS)이 도출된 극단가치 모델의 정확성에 어떤 영향을 미치는가?
• RQ5 이 방법은 실제 수문학적 데이터에 효과적으로 적용되어 강 네트워크 내에서의 공동 홍수 사건을 예측할 수 있는가?

주요 결과

• 트리 기반 모델은 경험적 홍수 확률을 일관되게 과대평가하며, 정류장 4, 7, 13에서 0.95 분위수의 경우 경험적 값 8.44% 대비 9.26%에서 9.72% 사이의 추정치를 보였다.
• 0.99 분위수에서는 모델 추정치가 2.53%에서 2.65%로 변동하며 경험적 값 1.88%를 초과하여 공동 극단 사건 탐지 능력 향상을 시사한다.
• GPD 기반의 모수 꼬리 확률 추정치는 더 높은 꼬리 확률을 보였으며(예: 정류장 13에서 0.999 분위수일 때 7.02%), 이는 공동 꼬리 확률의 과대평가에 기여하였다.
• 켄달의 타우를 기반으로 한 모델(트리 $ ilde{ au}^*$)은 상단 꼬리 상관도 기반 트리($ ilde{ au}^*$)보다 略적으로 낮은 추정치를 도출하여 의존도 측정 방법의 선택에 민감함을 시사한다.
• 다양한 추정기(MM, M, WLS)를 사용한 결과 거의 동일한 결과를 도출하여, 허슬러–라인 프레임워크 내에서 추정 방법의 변화에 대해 모델이 강건함을 보였다.
• 이 방법은 고차원 강 유량 데이터에서 복잡한 공동 꼬리 행동을 효과적으로 포착하며, 홍수 위험 평가에 실용적인 유용성을 입증하였다.