[논문 리뷰] Statistical Inference on Transformation Models: a Self-induced Smoothing Approach

Junyi Zhang, Zhezhen Jin외 2명|arXiv (Cornell University)|2013. 02. 27.

Statistical Methods and Inference참고 문헌 24인용 수 4

한 줄 요약

이 논문은 전환 모델에서 통계적 추론을 위한 자기유도 스무딩 방법을 제안한다. 이 방법은 밴드위드 선택 없이도 매개변수와 그 점근적 분산을 일관되게 추정할 수 있도록 하며, 점근적 정규성과 샌드위치 유형 분산 추정기를 통한 타당한 추론을 가능하게 한다. 수치적 수렴은 시뮬레이션과 실제 데이터 응용에서 입증되었다.

ABSTRACT

This paper deals with a general class of transformation models that contains many important semiparametric regression models as special cases. It develops a self-induced smoothing for the maximum rank correlation estimator, resulting in simultaneous point and variance estimation. The self-induced smoothing does not require bandwidth selection, yet provides the right amount of smoothness so that the estimator is asymptotically normal with mean zero (unbiased) and variance-covariance matrix consistently estimated by the usual sandwich-type estimator. An iterative algorithm is given for the variance estimation and shown to numerically converge to a consistent limiting variance estimator. The approach is applied to a data set involving survival times of primary biliary cirrhosis patients. Simulations results are reported, showing that the new method performs well under a variety of scenarios.

연구 동기 및 목표

• 전이 모델에서 최대 순위 상관계수 추정기의 일관된 분산 추정 문제를 다루며, 이는 연속성이 결여되어 표준 미분이 실패하기 때문이다.
• 밴드위드 선택이 필요 없고, 수치 도함수나 리샘플링의 한계를 극복하는 점근적 정규성과 일관된 분산 추정을 달성하는 방법을 개발한다.
• 수치 수렴이 가능한 일관된 한계 추정기로 수렴하는 계산적으로 실현 가능한 분산 추정 알고리즘을 제공한다.
• 생존 분석과 경제학의 반모수 모델, 특히 케이싱된 데이터 설정에 대한 순위 기반 추론의 적용 범위를 확장한다.
• U-과정 이론과 허프딩 분해를 활용하여 일반적인 정규 조건 하에서 강건한 추론을 보장한다.

제안 방법

• 최대 순위 상관계수 추정기의 불연속적인 목적 함수를 커널 기반 근사로 암묵적으로 스무딩하는 자기유도 스무딩 기법을 도입한다.
• 목적 함수를 U-과정으로 표현하기 위해 허프딩 분해를 사용하여 점근적 분석과 분산 추정을 가능하게 한다.
• 매끄러운 일阶 및 이阶 도함수를 바탕으로 한 샌드위치 유형 분산 추정기를 구성하여 명시적 밴드위드 선택을 피한다.
• 수렴이 수치적으로 일관된 한계 형태로 수렴하는 것을 증명한 반복 알고리즘을 제안하여 분산 추정기를 계산한다.
• 비케이싱된 데이터와 우측 케이싱된 데이터 모두에 적용하며, 생존 모델의 부분 순위 상관계수 함수에도 적용한다.
• 조건부 밀도의 유계 도함수를 포함한 정규 조건 하에서, 스무딩 추정기의 이론적 일관성과 점근적 정규성을 확립한다.

실험 결과

연구 질문

• RQ1 최대 순위 상관계수 추정기의 스무딩 접근법을 개발할 수 있는가? 이는 밴드위드 선택 없이도 일관된 분산 추정을 가능하게 해야 한다.
• RQ2 자기유도 스무딩 방법은 수치적으로 안정적인 샌드위치 유형 분산 추정기를 갖춘 점근적 정규 추정기를 도출하는가?
• RQ3 기존의 수치 도함수나 부트스트랩과 비교할 때, 제안된 방법은 유한 표본에서 어떻게 성능을 발휘하는가?
• RQ4 이 방법은 생존 분석에서 부분 순위 상관계수 추정기와 같은 케이싱된 데이터 모델로 확장될 수 있는가?
• RQ5 자기유도 스무딩 접근법이 수렴성과 점근적 정규성을 보장하기 위한 정규 조건는 무엇인가?

주요 결과

• 자기유도 스무딩 접근법은 평균이 0이고, 샌드위치 유형 추정기를 통해 일관되게 추정된 분산-공분산 행렬을 갖는 점근적 정규 추정기를 생성한다.
• 밴드위드 선택을 피함으로써 밴드위드 선택에 대한 민감도가 제거되어, 수치 도함수 기반 접근법보다 수치적 안정성이 향상된다.
• 가정된 정규 조건 하에서, 분산 추정을 위한 반복 알고리즘이 일관된 한계 분산 추정기로 수렴함을 수치적으로 입증하였다.
• 시뮬레이션 결과는 다양한 시나리오에서 강력한 유한 표본 성능을 보이며, 다양한 오차 분포와 케이싱 메커니즘에 대해 유연하게 작동함을 보였다.
• 실제 주요 간질성 순환경화증 데이터에 대한 적용은 생존 분석에서의 실용적 유용성을 보여주었다.
• U-과정 이론, 허프딩 분해, 행렬 미분을 사용한 엄밀한 증명을 통해 이론적 결과를 뒷받침하였으며, 매개변수 이웃 영역 전역에서 수렴이 균일하게 확립되었다.