[논문 리뷰] Approximate Bayesian Computing for Spatial Extremes

Robert J. Erhardt, Richard L. Smith|arXiv (Cornell University)|2011. 09. 19.

Markov Chains and Monte Carlo Methods참고 문헌 21인용 수 1

한 줄 요약

이 논문은 복잡한 결합우도를 피하기 위해 시뮬레이션 기반 추론에 기반한 근사베이지안계산(ABC) 방법을 사용하여 공간 극단치를 다루는 최대안정과정(max-stable processes)을 제안한다. ABC, 특히 삼중쌍 구현 방식이 복합우도 추정보다 공간적 의존성 추정에서 더 낮은 평균제곱오차를 달성함을 보여주며, 계산 비용이 더 높음에도 불구하고 더 나은 불확실성 정량화를 제공한다.

ABSTRACT

Statistical analysis of max-stable processes used to model spatial extremes has been limited by the difficulty in calculating the joint likelihood function. This precludes all standard likelihood-based approaches, including Bayesian approaches. Here we present a Bayesian approach through the use of approximate Bayesian computing. This circumvents the need for a joint likelihood function and instead relies on simulations from the (unavailable) likelihood. This method is compared with an alternative approach based on the composite likelihood. When estimating the spatial dependence of extremes, we demonstrate that approximate Bayesian computing can provide estimates with a lower mean square error than the composite likelihood approach, though at an appreciably higher computational cost. As this approach very naturally incorporates parameter uncertainty into predictions, it is well suited for use in pricing weather derivatives to manage environmental risks. We discuss the construction and pricing of such weather derivatives. The method described utilizes results from spatial statistics and extreme value theory to first model extremes in the weather as a max-stable process, and then use these models to simulate payments for a general collection of weather derivatives. These simulations capture the spatial dependence of payments. Incorporating results from catastrophe ratemaking, we show how this method can be used to compute risk loads and premiums for weather derivatives which are renewal-additive. We illustrate the performance of the approximate Bayesian computing method and weather derivative pricing with applications to United States temperature data. The first application considers pricing weather derivatives for temperature extremes in the Midwestern United States. The second application demonstrates the use of the approximate Bayesian computing method in estimating the risk of crop loss due to an unlikely freeze event in northern Texas.

연구 동기 및 목표

• 결합우도가 추정이 불가능한 공간 극단치에 대한 베이지안 추론 방법을 개발한다.
• 최대안정과정 모델링에서 표준 우도 기반 방법의 한계를 극복한다.
• 추정 정확도와 불확실성 정량화 측면에서 ABC와 복합우도 추정을 비교한다.
• 이원 비교를 초과하여 고차원 k-튜플(예: 삼중쌍)을 사용하여 ABC의 성능을 평가한다.
• 실제 미국 기상 데이터에 적용하여 농작물 손실을 위한 서리 위험을 평가한다.

제안 방법

• 최대안정과정에서 추정이 불가능한 결합우도 함수를 피하기 위해 근사베이지안계산(ABC)을 사용한다.
• 모델에서 시뮬레이션된 데이터를 생성하고 관측된 데이터의 요약통계량과 비교함으로써 시뮬레이션 기반 추론을 구현한다.
• ABC의 세 가지 변형 방식을 구현: 이원쌍, 삼중쌍, 고차원 k-튜플 요약통계량을 사용하여 공간적 의존성을 포착한다.
• 공간적 의존성을 측정하기 위해 극단계수를 핵심 요약통계량으로 사용한다.
• 모의 데이터가 관측 데이터와 유사한 정도에 도달하는 허용오차 ǫ을 설정하여 매개변수 값을 수용한다.
• 병렬 계산을 위해 독립적 샘플링을 활용하고, 효율성을 향상시키기 위해 적응형 ABC를 탐색한다.

실험 결과

연구 질문

• RQ1 ABC는 복합우도보다 최대안정과정에서 공간적 의존성을 더 정확하게 추정할 수 있는가?
• RQ2 삼중쌍과 같은 고차원 k-튜플의 포함이 이원 방법에 비해 ABC 성능을 어떻게 향상시키는가?
• RQ3 ABC는 극단치 예측의 매개변수 불확실성을 얼마나 더 잘 정량화하는가?
• RQ4 실제 공간 설정에서 ABC와 복합우도 간의 계산적 트레이드오프는 어떠한가?
• RQ5 ABC는 미국 기상 극단치와 같은 실제 환경 데이터에 효과적으로 적용될 수 있는가?

주요 결과

• ABC 삼중쌍 방법은 특히 단거리 최대안정과정에서 복합우도보다 공간적 의존성 추정에 있어 더 낮은 평균제곱오차를 달성한다.
• ABC 방법은 예측에 매개변수 불확실성을 자연스럽게 통합하여 극단 사건의 위험 평가에 매우 중요하다.
• 단거리 과정에서는 복합우도에 비해 통계적으로 유의미하게 더 높은 성능을 보이며, 계산 비용이 더 높은 편이다.
• 독립적 샘플링 기반 ABC 구현은 병렬 처리에 적합하여, 실행 시간을 수일에서 수시간으로 단축시킨다.
• 미국 기상 데이터에 대한 적용 결과, ABC는 경험적 방법에 비해 극단적인 서리로 인한 농작물 손실 분포를 더 현실적으로 추정할 수 있다.
• 연구는 ABC의 고차원 요약통계량 잠재력을 부각시키지만, 모형 선택 문제는 여전히 열려 있는 과제로 남아 있다.