[論文レビュー] Double Reweighted Estimators for the Parameters of the Multivariate t Distribution

Fatma Zehra Doğru, Y. Murat Bulut+1 more|arXiv (Cornell University)|Jul 4, 2017

Advanced Statistical Methods and Models被引用数 4

ひとこと要約

本稿では、最尤法（ML）推定に基づく多変量スチューデントt分布のパラメータ推定に、MLq推定を用いて二重再重み付け推定量を提案し、EMアルゴリズムを適応させることで頑健性を向上させている。シミュレーション結果から、MLq推定量は、特に外れ値や重たい尾を持つ分布の下で、従来のML推定量に比べて有効性と精度が顕著に優れていることが示された。

ABSTRACT

The t-distribution has many useful applications in robust statistical analysis. The parameter estimation of the t-distribution is carried out using ML estimation method, and the ML estimates are obtained via the EM algorithm. In this study, we consider an alternative estimation method for all the parameters of the multivariate-t distribution using the MLq estimation method. We adapt the EM algorithm to obtain the MLq estimates for all the parameters. We provide a small simulation study to illustrate the performance of the MLq estimators over the ML estimators and observe that the MLq estimators have considerable superiority over the ML estimators.

研究の動機と目的

• 従来の最尤（ML）推定に比べて改善された頑健性を有する多変量t分布のパラメータ推定手法を開発すること。
• 頑健性に優れることが知られるMLq推定フレームワークを、位置パラメータ、スケール行列、自由度パラメータを含む多変量t分布のすべてのパラメータに適用すること。
• 実用的な推定量の計算を可能にするために、MLq推定に適応したEMアルゴリズムを構築すること。
• さまざまな外れ値や分布的条件下でのMLq推定量とML推定量の性能を評価すること。
• 有限標本におけるバイアス、平均二乗誤差、および頑健性の観点から、MLq推定量がML推定量を上回ることを示すこと。

提案手法

• 標準的なML推定を超えて、多変量t分布のMLq推定量を計算するためのEMアルゴリズムを適応させることで、その適用範囲を拡張する。
• パワー発散に基づくMLq推定を用い、外れ値の影響を軽減することで頑健性を向上させる。
• MLqフレームワークにおける二重再重み付け機構を用いて、同時に位置パラメータ、スケール行列、自由度パラメータを推定する。
• EMアルゴリズムの反復的再重み付けステップを実装し、重みをq尤度関数に基づいて更新する。
• 調整パrameter qを用いたq尤度関数を用い、外れ値への感受性を制御する。q < 1 の場合、頑健性が高まる。
• 位置パラメータおよびスケール行列の両方に二重再重み付け戦略を適用し、推定の安定性と有効性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 EMアルゴリズムを適応させたMLq推定は、標準的なML推定に比べ、多変量t分布のパラメータ推定においてより頑健な推定量を提供できるか？
• RQ2 外れ値や重たい尾を持つ分布の下で、MLq推定量のバイアスおよび平均二乗誤差はどのように振る舞うか？
• RQ3 二重再重み付け機構は、位置、スケール、自由度パラメータのすべてのパラメータを同時に効率的かつ頑健に推定するのに寄与するか？
• RQ4 有限標本におけるMLq推定量の性能に、調整パrameter qがどのように影響を与えるか？
• RQ5 どのような条件下で、MLq推定量は多変量t分布設定において、ML推定量を顕著に上回るか？

主な発見

• 外れ値が混入したデータ条件下で、MLq推定量はML推定量に比べて顕著に低いバイアスと平均二乗誤差を示した。
• 二重再重み付け機構により、特にスケール行列および自由度パラメータの推定有効性が向上した。
• MLq推定量は、従来のML推定量よりも外れ値や重たい尾を持つ分布に対してより頑健であることが示された。
• シミュレーションスタディにより、EMアルゴリズムを適応させたMLq推定は、多変量t分布のパラメータ推定において、標準的なML推定の安定的かつ有効な代替手段であることが確認された。
• データに中程度の外れ値が含まれる、または正規性から逸脱する場合、MLq推定量の性能向上が最も顕著に観察された。
• MLq推定における調整パrameter qは、有効性と頑健性のトレードオフを可能にし、最適な性能はq < 1 の場合に観察された。