[논문 리뷰] Adjusted Jackknife Empirical Likelihood

Ying‐Ju Chen, Wei Ning|arXiv (Cornell University)|2016. 03. 13.

Statistical Methods and Inference참고 문헌 4인용 수 4

한 줄 요약

이 논문은 조정된 잭나이프 경험우도(AJEL)라는 새로운 방법을 제안한다. 이 방법은 잭나이프 경험우도(JEL)의 계산적 이점과 조정된 경험우도(AEL)의 해가 존재함을 보장하는 특성을 결합한다. 잭나이프 가짜값의 볼록 hull 안에 영벡터가 포함되도록 인위적인 가짜 관측값을 도입함으로써, AJEL는 모든 매개변수 값에서 경험우도 비율이 잘 정의되도록 보장한다. 이는 윌크스의 정리(Wilks' theorem)를 유지하면서도, 바틀렛 보정(Bartlett correction)이나 부트스트랩 校정(bootstrap calibration) 없이도 작은 표본에서 특히 커버리지 확률을 향상시킨다.

ABSTRACT

Jackknife empirical likelihood (JEL) is an effective modified version of empirical likelihood method (EL). Through the construction of the jackknife pseudo-values, JEL overcomes the computational difficulty of EL method when its constraints are nonlinear while maintaining the same asymptotic results for one sample and two-sample U statistics. In this paper, we propose an adjusted version of JEL to guarantee that the adjusted jackknife empirical likelihood (AJEL) statistic is well-defined for all the values of the parameter, instead of restricting on the convex hull of the estimation equation. The properties of JEL have been preserved for AJEL.

연구 동기 및 목표

• 비선형 제약 조건이 존재할 경우 경험우도(EL)의 계산적 한계를 해결하기 위해, 특히 U-통계량 설정에서의 문제를 다루기 위해.
• 잭나이프 경험우도(JEL)에서 추정식의 볼록 hull 안에 영벡터가 포함되어 있지 않을 경우 경험우도 비율이 정의되지 않을 수 있는 문제를 해결하기 위해.
• 조정된 경험우도(AEL)의 해 안정성과 잭나이프 경험우도(JEL)의 계산 단순성을 U-통계량에 통합하기 위해.
• 일표본 및 이표본 U-통계량 하에서 AJEL에 대해 윌크스의 정리(Wilks’ theorem)를 수립하여, 로그우도비의 점근적 카이제곱 분포를 보장하기 위해.
• 표준 JEL에 비해 커버리지 확률을 향상시키며, 특히 작은 표본 크기에서 바틀렛 보정이나 부트스트랩 校정 없이도 성능을 개선하기 위해.

제안 방법

• 비선형 제약 조건을 선형으로 변환하기 위해 잭나이프 가짜값 $\widehat{V}_i = nU_n - (n-1)U_{n-1}^{(-i)}$ 을 구성한다.
• 영벡터가 가짜값의 볼록 hull 안에 포함되도록 인위적인 가짜 관측값 $\widehat{V}_{n+1} = -a_n U_n$ 을 도입하며, 여기서 $a_n = \log n / 2$ 이다.
• 가짜값 $n+1$개에 대해 조정된 경험우도를 적용하여, 확률 가중치 $p_i$ 를 고려해 $L(\theta) = \max \prod_{i=1}^{n+1} p_i$ 를 정의한다. 조건은 $\sum p_i = 1$ 과 $\sum p_i (\widehat{V}_i - \theta) = 0$ 이다.
• 모멘트 조건을 만족하는 $\lambda$ 를 풀어 조정된 로그우도비 $\ln R(\theta) = -\sum_{i=1}^{n+1} \ln(1 + \lambda (\widehat{V}_i - \theta))$ 를 유도한다.
• 정규 조건 하에서 AJEL에 대해 윌크스의 정리를 수립하여 $-2\ln R(\theta) \xrightarrow{d} \chi^2_1$ 임을 보인다.
• 유도된 근본적인 통계량을 사용해 U-통계량으로 정의된 매개변수, 예를 들어 $P(X < Y)$ 또는 $P(X < Y)$ 의 차이에 대한 신뢰구간을 구성한다.

실험 결과

연구 질문

• RQ1 조정된 경험우도 프레임워크를 잭나이프 경험우도 설정으로 확장하여, 모든 매개변수 값에서 잘 정의된 우도비를 보장할 수 있는가?
• RQ2 제안된 AJEL 방법은 JEL의 점근적 분포 성질(윌크스의 정리)을 유지하면서도 유한표본 커버리지 정확도를 향상시키는가?
• RQ3 특히 작은 표본 크기에서 AJEL는 JEL에 비해 커버리지 확률과 구간 길이 측면에서 어떻게 비교되는가?
• RQ4 AJEL는 부트스트랩 校정이나 바틀렛 보정 없이도 실세계 데이터의 U-통계량에 적용 가능한가?
• RQ5 인위적인 가짜 관측값의 포함이 원래 JEL 방법의 효율성과 강건성(robustness)을 유지하는가?

주요 결과

• AJEL는 인위적인 관측값을 추가함으로써 잭나이프 가짜값의 볼록 hull 안에 영벡터가 포함되도록 보장함으로써, 모든 매개변수 값에서 경험우도 비율이 잘 정의됨을 보장한다.
• 시뮬레이션 결과 AJEL는 JEL에 비해 커버리지 확률을 향상시키며, 특히 작은 표본 크기에서 두드러진다: (n1,n2)=(10,10)일 때 90% 신뢰수준에서 AJEL는 86.0% 커버리지(비교 기준 JEL는 83.5%)를 달성한다.
• (n1,n2)=(15,15)일 때 95% 신뢰수준에서 AJEL는 88.5% 커버리지(비교 기준 JEL는 87.8%)를 달성하여 일관된 개선을 보인다.
• DMD 데이터 예제에서 AJEL는 $P(X<Y)$ 에 대해 90% 신뢰구간 (0.8101, 0.9071) 과 95% 신뢰구간 (0.7984, 0.9145) 을 도출하였으며, JEL와의 차이가 미미했지만 해의 존재가 보장되었다.
• 진단 정확도의 차이($P(X^1<Y^1) - P(X^2<Y^2)$)에 대해서는 AJEL가 90% 신뢰구간 (0.1065, 0.2813) 과 95% 신뢰구간 (0.0890, 0.2983) 을 제공하여 CK가 H 수준보다 더 효율적임을 뒷받침한다.
• 메서드는 윌크스의 정리를 유지하며, $-2\ln R(\theta) \xrightarrow{d} \chi^2_1$ 이며, 표준 정규 조건 하에서 점근적으로 유효한 신뢰구간을 보장한다.