[논문 리뷰] On the eigenvalues of the spatial sign covariance matrix in more than two dimensions

Alexander Dürre, David E. Tyler외 1명|arXiv (Cornell University)|2015. 12. 09.

Morphological variations and asymmetry참고 문헌 22인용 수 21

한 줄 요약

이 논문은 타원 분포에서 공간 부호 공분산 행렬(SSF)의 고유값이 형태 행렬의 고유값에 대한 일대일 함수임을 규명하며, 원래 고유값보다 더 날카럽게 뭉쳐져 있음을 보여준다. 또한, 고유값에 대한 일변량 적분 표현을 유도하여 효율적인 수치 계산이 가능하게 하고, 타원 대칭 하에서 고유값의 단사성, 순서 유지, 고유값 뭉치 현상이 p>2 차원에서 성립함을 증명한다.

ABSTRACT

We gather several results on the eigenvalues of the spatial sign covariance matrix of an elliptical distribution. It is shown that the eigenvalues are a one-to-one function of the eigenvalues of the shape matrix and that they are closer together than the latter. We further provide a one-dimensional integral representation of the eigenvalues, which facilitates their numerical computation.

연구 동기 및 목표

• 고차원 타원 분포에서 공간 부호 공분산 행렬(SSF)의 고유값과 형태 행렬 간의 관계를 조사하는 것.
• SSF 고유값이 형태 행렬 고유값에 대한 일대일 함수임을 확립하여 식별 가능성 보장.
• SSF 고유값이 형태 행렬 고유값보다 더 날카럽게 뭉쳐져 있음을(가까이) 보여주는 것.
• SSF 고유값에 대한 일변량 적분 표현을 유도하여 효율적인 수치 계산을 가능하게 하는 것.
• 고차원에서 공간 부호 방법을 이용한 강건한 다변량 분석을 위한 이론적 기초를 제공하는 것.

제안 방법

• 저자는 추적 정규화된 형태 행렬 $ V_0 = O\Lambda O^\top $의 고유값 분해를 사용하며, 여기서 $ \Lambda = \text{diag}(\lambda_1, \dots, \lambda_p) $ 이고 $ \lambda_1 \geq \cdots \geq \lambda_p \geq 0 $ 이며 $ \sum \lambda_j = 1 $ 이다.
• 모집단 SSF는 $ S = O\Delta O^\top $ 로 표현되며, $ \Delta = \text{diag}(\delta_1, \dots, \delta_p) $ 이고, $ \delta_i = \mathbb{E}\left[ \lambda_i Y_i^2 \left( \sum_{j=1}^p \lambda_j Y_j^2 \right)^{-1} \right] $ 이며, $ Y = RU $ 는 구형 분포를 가진다.
• 분석의 용이성을 위해 $ Y $ 의 구형 대칭성을 활용하여 해석적으로 다루기 쉬운 분포(단위 구내의 균일 분포)를 선택한다.
• 저자는 Gradshteyn과 Ryzhik의 공식 4.646을 적용하여 고유값 $ \delta_i $, $ \eta_{ii} $, $ \eta_{ij} $ 에 대한 일변량 적분 표현을 도출하여 수치적 평가를 가능하게 한다.
• 단사성은 모순에 기반한 증명을 통해 입증되며, 구형 대칭 조건 하에서 서로 다른 $ \lambda $ 벡터는 서로 다른 $ \delta $ 벡터를 유도함을 보인다.
• 고유값 뭉치 현상의 증명은 가중 조화 평균 기반 부등식과 엄격한 부등식 $ \rho_{(1)} < \rho_{(p)} $ 를 사용하여 $ \delta_i $ 가 $ \lambda_i $ 보다 엄격히 더 균일하다는 것을 보여준다.

실험 결과

연구 질문

• RQ1 세 차원 이상에서 형태 행렬 고유값에서 SSF 고유값으로의 사상이 단사적인가?
• RQ2 SSF 고유값의 분포 범위는 형태 행렬 고유값보다 어떻게 다른가?
• RQ3 SSF 고유값을 효율적인 수치 계산을 위해 일변량 적분으로 표현할 수 있는가?
• RQ4 타원 대칭 하에서 SSF 고유값과 형태 행렬 고유값 간의 기능적 관계는 무엇인가?
• RQ5 SSF 고유값 벡터는 형태 행렬 고유값의 순서를 유지하는가?

주요 결과

• 형태 행렬 고유값 $ \lambda $ 에서 SSF 고유값 $ \delta $ 로의 사상은 단사적이다. 즉, $ \phi(\lambda) = \phi(\tilde{\lambda}) $ 이면 $ \lambda = \tilde{\lambda} $ 이다.
• SSF 고유값 $ \delta_1, \dots, \delta_p $ 는 형태 행렬 고유값 $ \lambda_1, \dots, \lambda_p $ 보다 더 날카롭게 뭉쳐져 있다. 즉, $ \delta_1 - \delta_p < \lambda_1 - \lambda_p $ 이다.
• SSF 고유값 $ \delta_i $ 는 형태 행렬 고유값에 대한 일대일 함수이며, 순서를 유지한다: $ \delta_1 \geq \cdots \geq \delta_p $.
• 단위 구내의 균일 분포와 Gradshteyn과 Ryzhik의 공식 4.646을 사용하여 $ \delta_i $ 에 대한 일변량 적분 표현을 도출하였으며, 이는 수치 계산을 가능하게 한다.
• SSF 추정기의 점근 공분산 행렬은 $ \delta_i $ 와 $ \eta_{ij} $ 로 표현되며, $ \eta_{ij} $ 도 일변량 적분으로 주어진다.
• 고유값 $ \delta_i $ 는 $ \delta_i = \frac{p\Gamma(p/2)}{2\pi^{p/2}} \int_{S_{1,p}} \frac{\lambda_i z_i}{\sum_{j=1}^p \lambda_j z_j} \prod_{j=1}^p z_j^{-1/2} dz $ 로 표현되며, 여기서 $ S_{1,p} = \{ z \in \mathbb{R}^p_+ \mid \sum z_j \leq 1 \} $ 이다.