[论文解读] On the maximum likelihood estimator for the Generalized Extreme-Value distribution

Axel Bücher, Johan Segers|arXiv (Cornell University)|Jan 1, 2016

Financial Risk and Volatility Modeling参考文献 15被引用 2

一句话总结

本文為三參數極值極值分佈（GEV）的最大似然估計量（MLE）的漸近常態性提供了形式化證明，此為極值統計中的一個基本模型。儘管廣泛使用，由於參數依賴的支援，GEV MLE 的漸近常態性長期未能嚴謹確立。作者發展了一套針對支援依賴參數之非正則模型中 M-估計量的一般框架，並應用此框架於 GEV 族，結合經驗過程理論與得分函數的利普希茨條件，從而以嚴謹的數學依據確立了長期存在的結果。

ABSTRACT

The vanilla method in univariate extreme-value theory consists of fitting the three-parameter Generalized Extreme-Value (GEV) distribution to a sample of block maxima. Despite claims to the contrary, the asymptotic normality of the maximum likelihood estimator has never been established. In this paper, a formal proof is given using a general result on the maximum likelihood estimator for parametric families that are differentiable in quadratic mean but whose support depends on the parameter. An interesting side result concerns the (lack of) differentiability in quadratic mean of the GEV family.

研究动机与目标

• 嚴謹確立三參數廣義極值（GEV）分佈最大似然估計量（MLE）的漸近常態性，此模型廣泛應用於單變量極值理論。
• 解決文獻中長期存在的缺口：GEV MLE 的漸近常態性雖被聲稱但未正式證明，特別是因分佈的參數依賴支援所致。
• 發展一套針對參數支援依賴之參數模型中 M-估計量的通用理論框架，超越傳統正則條件。
• 利用經驗過程機制與精心設計的利普希茨界，驗證 GEV 族所需的技術條件——特別是得分函數的均勻控制與熵條件。
• 解決 GEV 族在二次平均下的可微性問題，特別是 Gumbel 情形（γ=0）的問題，並釐清此類非正則模型中的數學挑戰。

提出的方法

• 作者發展了一般性結果，針對在二次平均下可微但支援依賴參數之參數族的 M-估計量的漸近常態性，使用重新參數化的準則函數 mθ = 2 log((pθ + pθ₀)/(2pθ₀)) 以避免經驗過程中的無界性。
• 應用 van der Vaart（1998）的經驗過程理論，特別是透過得分函數 ℓθ(x) = log pθ(x) 的利普希茨條件來控制函數族的熵。
• 證明依賴於在真實參數 θ₀ 附近鄰域內，得分向量 ∇ℓθ(x) 的一致收斂性，利用參數子集上的緊緻性與連續性論證。
• 針對 GEV 族，作者根據真實參數 θ₀ 對樣本空間進行分割，並在每個區域內推導得分向量範數 ∥˙ℓθ(x)∥ 的點態上界，確保在 Pθ₀ 下的可積性。
• 利用 GEV 密度推導出的得分成分明確界，並利用函數 uγ(z) = (1 + γz)⁻¹/γ 及其在不同參數區間（γ > 0, γ = 0, γ < 0）的性質。
• 分析根據形狀參數 γ 的符號區分情況，分別處理 γ₀ ∈ (−1/2, 0)、γ₀ = 0 和 γ₀ > 0，使用量身訂做的不等式與漸近近似。

实验结果

研究问题

• RQ1 三參數 GEV 分佈的最大似然估計量是否在支援依賴參數的情況下仍具漸近常態性？
• RQ2 能否發展一通用框架以確立參數支援依賴之非正則參數模型中 M-估計量的漸近常態性？
• RQ3 證明 GEV MLE 漸近常態性的技術挑戰為何，特別是二次平均可微性與得分函數在支援邊界附近之行為？
• RQ4 經驗過程理論應如何調整以處理支援依賴參數時得分過程的無界軌跡？
• RQ5 為確保參數空間索引之經驗過程收斂，必須驗證哪些具體的利普希茨與熵條件？

主要发现

• 本文確立了三參數 GEV 分佈最大似然估計量的漸近常態性，解決了極值理論中長期懸而未決的問題。
• 作者證明了在 θ₀ 附近鄰域內，所有 θ 的得分向量 ∇ℓθ(x) 在 Pθ₀ 下為平方可積，此為 MLE 漸近常態性的關鍵條件。
• 對於 Gumbel 情形（γ = 0），GEV 族被證明在二次平均下可微，確認了 Marohn（1994, 2000）的結論；而完整的三參數族因支援依賴性，不具備二次平均可微性。
• 證明依賴於在樣本空間三個互不相交區域上，對得分向量範數 ∥˙ℓθ(x)∥ 建立一致上界，並在每種情況下透過量身訂做的不等式驗證可積性。
• 分析顯示 MLE 的收斂速率為 √n，且漸近變異數由費雪資訊矩陣的逆給出，此結果在所導出的正則條件下成立。
• 本文顯示，經典的 Cramér 與 van der Vaart（1998）正則條件對 GEV 模型不成立，因其支援依賴參數，因此必須建立新的理論框架。