[논문 리뷰] Generalised Poisson-Dirichlet Distributions and the Negative Binomial Point Process

Yuguang Ipsen, Ross Maller|arXiv (Cornell University)|2016. 11. 30.

Bayesian Methods and Mixture Models참고 문헌 28인용 수 4

한 줄 요약

이 논문은 시간 1까지의 $\alpha$-안정 하위지정자에서 $r$개의 가장 큰 점프를 제거한 후 잔여 점프의 정규화된 분포로 유도된 일반화된 포아송-디리클레 분포 $\mathbf{PD}_\alpha^{(r)}$를 제안하며, 음수 이항점과정과의 새로운 연결고리를 확립한다. 이 연결을 활용하여, $\mathbf{PD}_\alpha^{(r)}$의 크기 편향된 형태에 대한 스틱 브레이킹 표현과 다룰 수 있는 분포형태를 도출함으로써 금융 및 언어학 분야에서의 중미분포 데이터 모델링을 위한 새로운 융통성 있는 모델 클래스를 가능하게 한다.

ABSTRACT

When $S=(S_t)_{t\ge 0}$ is an $α$-stable subordinator, the sequence of ordered jumps of $S$, up till time $1$, omitting the $r$ largest of them, and taken as proportions of their sum $^{(r)}S_t$, defines a 2-parameter distribution on the infinite dimensional simplex, $ abla_{\infty}$, which we call the $\mathrm{PD}_α^{(r)}$ distribution. When $r=0$ it reduces to the $\mathrm{PD}_α$ distribution introduced by Kingman in 1975. We observe a serendipitous connection between $\mathrm{PD}_α^{(r)}$ and the negative binomial point process of Gregoire (1984), which we exploit to analyse in detail a size-biased version of $\mathrm{PD}_α^{(r)}$. As a consequence we derive a stick-breaking representation for the process and a useful form for its distribution. This program produces a large new class of distributions available for a variety of modelling purposes.

연구 동기 및 목표

• 시간 1까지의 $\alpha$-안정 하위지정자의 순서된 점프들에서 $r$개의 가장 큰 점프를 제거함으로써 새로운 분포 클래스 $\mathbf{PD}_\alpha^{(r)}$를 정의하고 분석한다.
• Gregoire(1984)의 음수 이항점과정과 $\mathbf{PD}_\alpha^{(r)}$ 사이의 뜻밖의 연결고리를 확립함으로써 더 깊이 있는 분포 분석을 가능하게 한다.
• $\mathbf{PD}_\alpha^{(r)}$의 크기 편향된 형태를 도출하고, 이를 위한 스틱 브레이킹 표현을 구성함으로써 시뮬레이션과 추론을 용이하게 한다.
• 라플라스 변환과 점과정 기법을 활용하여 크기 편향된 $\mathbf{PD}_\alpha^{(r)}$의 분포에 대한 닫힌 형식의 표현을 제공한다.
• 극단치가 표준 $\mathbf{PD}_\alpha$ 피팅을 왜곡하는 실제 응용 분야—특히 자본 분포 곡선이나 단어 빈도 순위—에서 $\mathbf{PD}_\alpha^{(r)}$의 실용적 유용성을 입증한다.

제안 방법

• $\mathbf{PD}_\alpha^{(r)}$를 시간 1까지의 안정 하위지정자에서 $r$개의 가장 큰 점프를 제거한 후 잔여 점프의 정규화된 분포로 정의한다.
• 안정 비율의 라플라스 변환을 활용하여 음수 이항점과정과의 구조적 연결고리를 드러낸다.
• 점프 크기에 따라 재가중하는 방식으로 $\mathbf{PD}_\alpha^{(r)}$의 크기 편향된 순열을 구성함으로써 다룰 수 있는 표현을 가능하게 한다.
• 점과정 프레임워크와 음수 이항과정과의 연결고리를 활용하여 크기 편향된 $\mathbf{PD}_\alpha^{(r)}$에 대한 스틱 브레이킹 표현을 유도한다.
• 적분 항등식과 라플라스 변환 변형을 활용하여 유도된 밀도가 1로 통합됨을 확인함으로써 확률적 타당성을 입증한다.
• 유도된 분포형태를 활용하여 잘라낸 상태에서 정규화된 점프 크기의 渐近적 행동과 모멘트를 분석한다.

실험 결과

연구 질문

• RQ1 잘라낸 $\alpha$-안정 하위지정자의 정규화된 점프 분포는 고전적 $\mathbf{PD}_\alpha$ 분포와 어떻게 다를까?
• RQ2 $\mathbf{PD}_\alpha^{(r)}$ 분포와 음수 이항점과정 사이의 정확한 수학적 연결고리는 무엇인가?
• RQ3 크기 편향된 $\mathbf{PD}_\alpha^{(r)}$에 대해 스틱 브레이킹 표현을 구성할 수 있는가?
• RQ4 크기 편향된 $\mathbf{PD}_\alpha^{(r)}$ 분포의 명시적 확률밀도함수 형태는 무엇인가?
• RQ5 $\mathbf{PD}_\alpha^{(r)}$는 자본 분포 곡선이나 단어 빈도 순위와 같이 극단치가 표준 $\mathbf{PD}_\alpha$ 피팅을 왜곡하는 실제 데이터 모델링에서 어떻게 향상될 수 있는가?

주요 결과

• $\mathbf{PD}_\alpha^{(r)}$ 분포는 시간 1까지의 $\alpha$-안정 하위지정자에서 $r$개의 가장 큰 점프를 제거한 후 잔여 점프의 정규화된 분포로 정의되며, 무한 단체 $\nabla_\infty$ 위의 2파라미터 가족을 이룬다.
• $\mathbf{PD}_\alpha^{(r)}$와 음수 이항점과정 사이에 직접적인 연결고리가 확립되어, 크기 편향된 분포형태의 유도가 가능해졌다.
• 크기 편향된 $\mathbf{PD}_\alpha^{(r)}$에 대한 스틱 브레이킹 표현이 도출되었으며, 이는 시뮬레이션과 추론을 위한 구축 가능한 방법을 제공한다.
• 크기 편향된 벡터의 결합밀도가 1로 통합됨을 입증하여 그 확률분포로서의 타당성이 확인되었으며, 라플라스 변환과 적분항등식을 통해 검증되었다.
• 분포형태는 밀도 $g_{r+1}(t)$와 레비 측도를 포함한 라플라스 변환을 활용하여 표현되어 추론에 유용한 표현을 제공한다.
• 실제 데이터 환경—예를 들어 NASDAQ 자본 분포 곡선이나 단어 빈도 순위—에서 $\mathbf{PD}_\alpha$보다 더 나은 피팅을 제공함을 입증하였다. 이는 소수의 큰 값들이 피팅을 왜곡하는 경우에 특히 유리하다.