[논문 리뷰] Optimal Rates of Convergence for Latent Generalized Correlation Matrix Estimation in Transelliptical Distribution

Fang Han, Han Liu|arXiv (Cornell University)|2013. 05. 29.

Random Matrices and Applications참고 문헌 34인용 수 25

한 줄 요약

이 논문은 전이타원분포 하에서 랭크 기반 상관계수 행렬 추정기의 수렴 최적 속도를 확립하며, 잠재 피어슨 상관계수 행렬을 추정하기 위해 변환된 켄달의 타우 행렬을 사용한다. 모수 조건 없이 스펙트럼 노름과 제한된 스펙트럼 노름 모두에서 최적 수렴을 증명하며, 효과적 랭크와 새로운 부호 서브가우시안 조건이 분석에서 핵심 역할을 한다.

ABSTRACT

Correlation matrix plays a key role in many multivariate methods (e.g., graphical model estimation and factor analysis). The current state-of-the-art in estimating large correlation matrices focuses on the use of Pearson's sample correlation matrix. Although Pearson's sample correlation matrix enjoys various good properties under Gaussian models, its not an estimator when facing heavy-tail distributions with possible outliers. As a robust alternative, \cite{han2012transelliptical} advocated the use of a transformed version of the Kendall's tau sample correlation matrix in estimating high dimensional latent generalized correlation matrix under the transelliptical distribution family (or elliptical copula). The transelliptical family assumes that after unspecified marginal monotone transformations, the data follow an elliptical distribution. In this paper, we study the theoretical properties of the Kendall's tau sample correlation matrix and its transformed version proposed in \cite{han2012transelliptical} for estimating the population Kendall's tau correlation matrix and the latent Pearson's correlation matrix under both spectral and restricted spectral norms. With regard to the spectral norm, we highlight the role of effective rank in quantifying the rate of convergence. With regard to the restricted spectral norm, we for the first time present a sign subgaussian condition which is sufficient to guarantee that the rank-based correlation matrix estimator attains the optimal rate of convergence. In both cases, we do not need any moment condition.

연구 동기 및 목표

• 전이타원분포 가족 하에서 고차원 설정에서 변환된 켄달의 타우 상관계수 행렬 추정기의 이론적 성질을 연구하기 위해.
• 스펙트럼 노름과 제한된 스펙트럼 노름 모두에서 잠재 일반화 상관계수 행렬 추정의 최적 수렴 속도를 확립하기 위해.
• 최소한의 정규성 조건—특히 부호 서브가우시안 조건—을 규명하여 모수 가정 없이 최적 수렴을 보장하기 위해.
• 스펙트럼 노름 하에서 수렴 속도를 결정하는 데 효과적 랭크의 역할을 정량화하기 위해.
• 중심극한정리와 같은 가정 없이, 무거운 尾행렬 및 이상치에 민감한 데이터 상황에서 피어슨 상관계수 행렬의 강건한 대안을 제공하기 위해.

제안 방법

• 논문은 전이타원 모델 하에서 표본 켄달의 타우 상관계수 행렬을 변환함으로써 인구 켄달의 타우 상관계수 행렬의 강건한 추정기로 분석한다.
• 기존 상관계수 행렬의 복잡성 측정을 위해 효과적 랭크 개념을 도입함으로써 스펙트럼 노름 하에서 수렴 속도를 유도한다.
• 제한된 스펙트럼 노름을 위해 새로운 부호 서브가우시안 조건을 도입하여 최적 추정 성능을 보장한다.
• 모수 조건을 회피하기 위해 랭크 기반의 의존도 측정 및 분포 무관 점근 근사에 기반한다.
• 랭크 기반 통계 및 행렬 펌핑 이론에 맞춘 농도 부등식을 사용하여 이론적 보장을 도출한다.
• 비모수적 모수 변환을 허용함으로써, 특정 단조 변환을 갖는 데이터로부터 잠재 피어슨 상관계수 행렬을 추정할 수 있다.

실험 결과

연구 질문

• RQ1 전이타원 모델 하에서 랭크 기반 방법을 사용하여 잠재 일반화 상관계수 행렬을 추정할 때의 최적 수렴 속도는 무엇인가?
• RQ2 고차원 설정에서 스펙트럼 노름 하에서 효과적 랭크는 수렴 속도에 어떻게 영향을 미치는가?
• RQ3 랭크 기반 추정기의 제한된 스펙트럼 노름 하에서 최적 수렴을 보장하기 위해 필요한 조건은 무엇인가?
• RQ4 유한한 모멘트를 가정하지 않더라도 변환된 켄달의 타우 추정기는 최적 속도를 달성할 수 있는가?
• RQ5 제한된 스펙트럼 노름 하에서 최적 수렴을 보장하기 위해 부호 서브가우시안 조건이 충분한가?

주요 결과

• 변환된 켄달의 타우 추정기는 스펙트럼 노름 하에서 최적 수렴 속도를 달성하며, 이 속도는 인구 상관계수 행렬의 효과적 랭크에 따라 달라진다.
• 제한된 스펙트럼 노름 하에서 논문은 부호 서브가우시안 조건을 규명하여, 모수 가정 없이도 최적 수렴을 보장할 수 있음을 보여준다.
• 분석 결과, 수렴 결과에 대해 어떤 모수 조건도 필요하지 않으며, 이는 중앙극한정리 가정 없이 무거운 꼬리 및 오염된 데이터에 대해 강건함을 의미한다.
• 효과적 랭크는 스펙트럼 노름 하에서 수렴 속도를 정량화하는 데 핵심적인 매개변수로 부각되며, 상관계수 행렬의 내재 차원성을 반영한다.
• 이상치 및 무거운 꼬리가 있는 상황에서 변환된 켄달의 타우 추정기는 피어슨 상관계수 행렬보다 뛰어난 성능을 보이며, 비정규 꼬리에 대한 강건성 덕분이다.
• 이론적 프레임워크는 타원 및 전이타원 모델 하에서 고차원 그래픽 모델링 및 요인 분석에 랭크 기반 방법을 사용하는 데 있어 엄밀한 이론적 기반을 제공한다.