[논문 리뷰] Tables of Quantiles of the Distribution of the Empirical Chiral Index in the Case of the Uniform Law and in the Case of the Normal Law

Michel Petitjean|arXiv (Cornell University)|2020. 05. 20.

Radioactive Decay and Measurement Techniques참고 문헌 4인용 수 1

한 줄 요약

이 논문은 균일분포와 정규분포 하에서 경험적 케일리 지수 분포에 대한 몬테카를로 시뮬레이션을 제공하며, 표본 크기 3에서 10,000까지의 임계 분위수(K0.90, K0.95, K0.98, K0.99)를 표로 제시한다. 케일리 지수는 순서 정렬된 표본과 역순서 정렬된 표본 간의 상관계수를 통해 계산되며, 위치 및 척도에 영향을 받지 않는 대칭성 검정을 가능하게 한다. 결과적으로 표본 크수가 증가할수록 분위수 값이 감소하며, 대칭 분포에서는 점차 0으로 수렴하는 경향을 보인다.

ABSTRACT

The empirical distribution of the chiral index is simulated for various sample sizes for the uniform law and and for the normal law. The estimated quantiles $K_{0.90}$, $K_{0.95}$, $K_{0.98}$, and $K_{0.99}$, are tabulated for use in symmetry testing in the uniform case and in the normal case.

연구 동기 및 목표

• 균일분포와 정규분포 하에서 케일리 지수의 경험적 임계값을 제공하여 대칭성 검정을 지원한다.
• 케일리 지수가 위치 및 척도 이동에 대해 불변임을 보여줌으로써 위치 및 척도에 영향을 받지 않는 추론을 가능하게 한다.
• 비대칭성의 척도로 케일리 지수를 계산하는 데 있어 계산이 단순하고 지갑 계산기로도 활용 가능한 방법을 제공한다.
• 다양한 표본 크기에서 추정된 분위수(K0.90, K0.95, K0.98, K0.99)를 표로 제시하여 대칭성에 대한 추론 검정을 지원한다.
• 재현 가능한 시뮬레이션 기반의 분위수 표를 제공하여 케일리 지수의 실용적 적용을 촉진한다.

제안 방법

• 케일리 지수는 χ = (1 + r_m)/2로 계산되며, 여기서 r_m은 순서 정렬된 표본 시퀀스와 역순서 정렬된 시퀀스 간의 최소 상관계수이다.
• 몬테카를로 시뮬레이션을 통해 균일분포 U(0,1)와 정규분포 N(0,1)에 대해 각 표본 크기 n당 10,000개의 케일리 지수 값을 생성한다.
• 분위수 K0.90, K0.95, K0.98, K0.99는 각각 9000번째–9001번째, 9500번째–9501번째, 9800번째–9801번째, 9900번째–9901번째 순서통계량의 중앙값으로 추정된다.
• 시뮬레이션을 100회 반복하여 평균 분위수 추정치와 그 표준오차를 산출하였으며, 표본 크기 3에서 10,000까지의 결과는 표 1과 표 2에 기재되어 있다.
• 일관성을 확보하기 위해 재초기화 없이 장기간 사용 가능한 의사난수 생성기(NAG g05saf)를 사용한다.
• 케일리 지수 계산은 단순한 두 단계 알고리즘을 통해 수행된다: 데이터를 오름차순으로 정렬하고, 이를 뒤집은 시퀀스와 상관계수를 계산한 후, χ = (1 + r)/2를 적용한다.

실험 결과

연구 질문

• RQ1 다양한 표본 크기에서 균일분포 하에서 경험적 케일리 지수 분포의 임계 분위수는 무엇인가?
• RQ2 다양한 표본 크기에서 정규분포 하에서 경험적 케일리 지수 분포의 임계 분위수는 무엇인가?
• RQ3 대칭 분포 하에서 케일리 지수의 행동 양상은 어떻게 되며, 이를 강건하고 척도에 영향을 받지 않는 대칭성 검정 도구로 사용할 수 있는가?
• RQ4 반복된 몬테카를로 시뮬레이션에서 추정된 분위수의 안정성은 어떻게 되며, 그 표준오차는 무엇인가?
• RQ5 지갑 계산기와 같은 최소한의 계산 도구로도 케일리 지수를 효율적으로 계산할 수 있는가?

주요 결과

• 균일분포의 경우, 케일리 지수의 95번째 분위수(K0.95)는 n=3일 때 0.231에서 시작하여 n=1000일 때 0.00205로 감소하며, 대칭성 하에서 0으로 수렴하는 경향을 보인다.
• 정규분포의 경우, 케일리 지수의 95번째 분위수(K0.95)는 n=4일 때 0.229에서 시작하여 n=1000일 때 0.00205로 감소하며, 유사한 수렴 행동을 보인다.
• n=1000일 때, 정규분포의 99번째 분위수(K0.99)는 0.002977이며, 균일분포의 경우도 동일하게 0.002977로 나타나, 대칭성 하에서 근처 0에 수렴하는 것을 확인한다.
• 분위수의 추정 표준편차(SK0.90에서 SK0.99까지)는 표본 크수가 증가할수록 감소하며, 정밀도 향상을 반영한다.
• n=10,000일 때, 두 분포 모두 99번째 분위수(K0.99)는 0.000317로 나타나, 점차 0으로 수렴하는 점근적 수렴을 확인한다.
• 데이터를 정렬하고, 이를 뒤집은 시퀀스와 상관계수를 계산한 후, χ = (1 + r)/2를 적용하는 단순한 알고리즘을 통해 케일리 지수는 O(n log n) 시간 복잡도로 계산할 수 있다.