[논문 리뷰] On complex Gaussian random fields, Gaussian quadratic forms and sample distance multivariance

Georg Berschneider, Björn Böttcher|arXiv (Cornell University)|2018. 08. 22.

Financial Risk and Volatility Modeling참고 문헌 30인용 수 6

한 줄 요약

이 논문은 복소 가우시안 랜덤 필드에서 유도된 가우시안 이차형식의 정확한 유한표본 및 점근적 모멘트를 유도하여 표본 거리 다변량을 사용한 계산적으로 효율적이고 재표본화가 없는 독립성 검정을 개발한다. 복소 가우시안 랜덤 필드에서 유도된 가우시안 이차형식에 대한 새로운 尾確率 경계를 제안하고 이를 통해 p-값 추정을 향상시켜 전통적 또는 재표본화 기반 방법보다 빠르고 덜 보수적인 검정을 가능하게 한다. 특히 고차원 및 종속된 자료에 대해 유리하다.

ABSTRACT

The paper contains results in three areas: First we present a general estimate for tail probabilities of Gaussian quadratic forms with known expectation and variance. Thereafter we analyze the distribution of norms of complex Gaussian random fields (with possibly dependent real and complex part) and derive representation results, which allow to find efficient estimators for the moments of the associated Gaussian quadratic form. Finally, we apply these results to sample distance multivariance, which is the test statistic corresponding to distance multivariance -- a recently introduced multivariate dependence measure. The results yield new tests for independence of multiple random vectors. These are less conservative than the classical tests based on a general quadratic form estimate and they are (much) faster than tests based on a resampling approach. As a special case this also improves independence tests based on distance covariance, i.e., tests for independence of two random vectors.

연구 동기 및 목표

• 표본 거리 다변량을 사용하여 다중 랜덤 벡터에 대한 더 빠르고 덜 보수적인 독립성 검정을 개발하기 위해.
• 복소 가우시안 랜덤 필드에서 유도된 가우시안 이차형식의 정확한 유한표본 및 점근적 모멘트 공식을 유도하기 위해.
• 기존 방법의 격차를 메우기 위해 첫 번째 및 두 번째 모멘트만을 사용하는 가우시안 이차형식에 대한 일반적인 尾確率 경계를 제공하기 위해.
• 재표본화에 의존하지 않고 거리 다변량 기반 검정의 p-값 추정을 향상시키기 위해.
• 종속된 성분을 포함한 고차원 설정에서도 실용적인 구현을 가능하게 하기 위해.

제안 방법

• 고유값이 매개변수 α에 의해 유계일 때, 첫 번째 및 두 번째 모멘트만을 사용하여 가우시안 이차형식의 尾確率에 대한 새로운 상한을 유도한다.
• 복소 가우시안 랜덤 필드의 L²-노름의 제곱을 양의 가우시안 이차형식으로 표현하며, 계수는 공분산 연산자의 고유값과 같다.
• 공분산 커널에 따라 μₖ⁽ᵏ⁾ = Σᵢ αᵢᵏ 의 명시적 공식을 수립하여 데이터로부터 모멘트 추정이 가능하게 한다.
• 이러한 모멘트 결과를 근본 가설인 독립성 하에서 표본 거리 다변량의 극한 및 유한표본 분포에 적용한다.
• 네 가지 p-값 추정 방법을 제안한다: 고전적 추정, 분산 기반 추정, 피어슨 근사, 중심극한정리 근사.
• 유한표본에서 계량된 왜도 및 첨도에 대한 비편향 추정량을 사용하며, 표본 크기가 작을 경우 극한 분포를 사용한다.

실험 결과

연구 질문

• RQ1 첫 번째 및 두 번째 모멘트만을 사용하여 가우시안 이차형식에 대한 일반적인 尾確率 경계를 도출할 수 있는가?
• RQ2 근본 가설 하에서 표본 거리 다변량 검정 통계량의 모멘트를 효율적으로 계산할 수 있는가?
• RQ3 고차원 설정에서 거리 다변량 검정 통계량의 유한표본 및 점근적 분포는 어떻게 되는가?
• RQ4 재표본화 없이 p-값 추정을 향상시킬 수 있는가? 이는 더 빠르고 덜 보수적인 독립성 검정으로 이어지는가?
• RQ5 다양한 종속성 구조에서 다양한 모멘트 기반 p-값 추정 방법 간의 정확성과 보수성은 어떻게 비교되는가?

주요 결과

• 제안된 尾確率 경계(정리 2.1)는 이전 방법보다 더 날카롭고 일반적인 추정을 제공하며, 첫 번째 및 두 번째 모멘트만을 요구하며, 모든 x ≥ x₀에 대해 유효하며, x₀ ≤ 1.5365 이다.
• 비편향 유한표본 추정량을 사용하는 피어슨 근사 방법은 대부분의 예제에서 벤치마크 p-값과 비교해 가장 낮은 상대 평균 제곱오차를 달성한다.
• 고전적 추정 및 분산 기반 추정은 보수적이며, 특히 종속된 자료 설정에서 고전적 추정이 더 보수적이다.
• n > 10 및 동일하게 분포된 성분을 가진 m-다변량의 경우 중심극한정리 방법이 잘 작동하여 타당한 대안이 된다.
• 작은 표본(N < 30)에서는 상대 오차가 증가하므로, 변동성이 높아 재표본화가 여전히 선호될 수 있다.
• 고차원에서(예: n > 30) 피어슨 근사 방법은 보수적으로 작용할 수 있으므로 고차원 응용에서는 주의가 필요하다.