[논문 리뷰] On the smallest eigenvalues of covariance matrices of multivariate spatial processes

François Bachoc, Reinhard Furrer|arXiv (Cornell University)|2016. 02. 09.

Spatial and Panel Data Analysis참고 문헌 13인용 수 13

한 줄 요약

이 논문은 다변량 공간 과정의 공분산 행렬의 최소 고유값이 관측점 간 거리에 대한 균일한 하한과 공분산 함수에 대한 약한 정규성 조건 하에서 점점 커지는 표본 크기에서 0으로부터 점 渐차적으로 떨어지게 되는 것을 증명한다. 이 결과는 공분산 행렬의 점점 커지는 정규성의 양면성을 보장하며, 이는 다변량 공간 통계에서 최대우도 추정기의 일致성과 점점 커지는 정규성에 매우 중요하다.

ABSTRACT

There has been a growing interest in providing models for multivariate spatial processes. A majority of these models specify a parametric matrix covariance function. Based on observations, the parameters are estimated by maximum likelihood or variants thereof. While the asymptotic properties of maximum likelihood estimators for univariate spatial processes have been analyzed in detail, maximum likelihood estimators for multivariate spatial processes have not received their deserved attention yet. In this article we consider the classical increasing-domain asymptotic setting restricting the minimum distance between the locations. Then, one of the main components to be studied from a theoretical point of view is the asymptotic positive definiteness of the underlying covariance matrix. Based on very weak assumptions on the matrix covariance function we show that the smallest eigenvalue of the covariance matrix is asymptotically bounded away from zero. Several practical implications are discussed as well.

연구 동기 및 목표

• 표본 크기가 증가함에 따라 다변량 공간 과정의 공분산 행렬의 최소 고유값이 0으로부터 점점 떨어지게 되는 이론적 조건을 확립하는 것.
• 기존의 단변량 증가 영역 점점 커지는 점근적 결과를 최소 고유값이 0으로부터 떨어지게 되는 다변량 설정으로 확장하는 것.
• 다변량 공간 모델에서 최대우도 추정기의 점점 커지는 성질에 대한 엄밀한 기초를 제공하는 것.
• 최소 고유값에 대한 균일한 하한을 증명하여 공분산 행렬의 가역성과 추정 기반의 추론 프레임워크의 잘 정의됨을 보장하는 것.
• 스펙트럼 이론과 행렬가치 공분산 함수에 대한 푸리에 분석을 사용하여 기존의 단변량 결과를 다변량 과정으로 일반화하는 것.

제안 방법

• 공분산 행렬의 고유값 분석을 위해 행렬 공분산 함수의 스펙트럼 표현과 푸리에 분석을 사용한다.
• 복소 행렬 이론과 정규 행렬의 성질을 적용하여 최소 고유값에 대한 하한을 유도한다.
• 공분산 함수에 약한 감쇠 조건을 도입한다(가정 1): $|c_{k ho}({\mathbf{x}})| \leq A / (1 + |{\mathbf{x}}|^{d+\tau})$ for some $\tau > 0$.
• 관측점 간 최소 거리가 0으로부터 떨어져 있고 스펙트럼 밀도가 엄격히 양수이면, 최소 고유값이 0으로부터 떨어져 있음을 증명한다.
• 콤���트 매개변수 공간 위에서 균일한 하한을 증명하여 파arametric 공분산 함수 가족으로 결과를 확장한다.
• Schur 곱의 성질을 사용하여 테이퍼링된 공분산 행렬로 결과를 확장하여 실용적 구현에서의 강건성을 확보한다.

실험 결과

연구 질문

• RQ1 다변량 공간 과정의 공분산 행렬의 최소 고유값이 증가 영역 점점 커지는 점근적 설정에서 0으로부터 떨어지게 되는 조건은 무엇인가?
• RQ2 공분산 함수에 대한 약한 정규성 조건 하에서 공분산 행렬의 점점 커지는 정규성가 보장될 수 있는가?
• RQ3 콤팩트 공분산 모델 가족 전반에 걸쳐 최소 고유값이 균일하게 0으로부터 떨어져 있는가?
• RQ4 행렬 공분산 함수의 스펙트럼 성질이 표본 공분산 행렬의 고유값 행동에 어떤 영향을 미치는가?
• RQ5 최소 고유값이 0으로부터 떨어져 있음을 보장함으로써 다변량 공간 모델에서 최대우도 추정의 이론적 기초를 강화할 수 있는가?

주요 결과

• 가정 1(공분산 함수의 다항식 감쇠)과 관측점 간 거리에 대한 균일한 하한이 만족될 경우, 모든 $k$에 대해 $n_k \to \infty$일 때 공분산 행렬의 최소 고유값이 0으로부터 떨어져 있음을 보장한다.
• 이 결과는 공착점과 비공착점 관측 설계 모두에 적용되며, 이는 이전의 단변량 결과를 다변량 설정으로 확장한다.
• 최소 고유값에 대한 하한은 콤팩트 매개변수 공간 전반에 걸쳐 균일하므로, 파arametric 추론에서 강건성을 확보한다.
• 증명은 스펙트럼 이론과 행렬가치 함수의 푸리에 분석에 기반하며, 복소 행렬 도구를 사용하여 고유값 하한을 확립한다.
• 이 결과는 공분산 행렬이 점점 커지는 정규성을 유지함을 의미하며, 이는 최대우도 추정기의 일치성과 점점 커지는 정규성에 필수적인 조건이다.
• 이 틀은 테이퍼링된 공분산 행렬에도 적용되며, Schur 곱의 최소 고유값이 원래 행렬의 최소 고유값에 대응하는 대각선 원소의 최소값을 곱한 값보다 작지 않다는 것을 보장한다.