[论文解读] Quantile Fourier Transform, Quantile Series, and Nonparametric Estimation of Quantile Spectra

Ta‐Hsin Li|arXiv (Cornell University)|Nov 10, 2022

Fault Detection and Control Systems被引用 5

一句话总结

本文提出了一种基于分位数离散傅里叶变换（QDFT）和分位数序列（QSER）的非参数方法，用于估计分位数谱和交叉谱。该方法源自三角函数分位数回归与逆傅里叶变换，采用滞后窗谱估计器并结合先进的分位数平滑技术（特别是样条分位数回归，SQR），以降低变异性，从而在频率-分位数分析中实现优于传统方法的估计精度。

ABSTRACT

A nonparametric method is proposed for estimating the quantile spectra and cross-spectra introduced in Li (2012; 2014) as bivariate functions of frequency and quantile level. The method is based on the quantile discrete Fourier transform (QDFT) defined by trigonometric quantile regression and the quantile series (QSER) defined by the inverse Fourier transform of the QDFT. A nonparametric spectral estimator is constructed from the autocovariance function of the QSER using the lag-window (LW) approach. Smoothing techniques are also employed to reduce the statistical variability of the LW estimator across quantiles when the underlying spectrum varies smoothly with respect to the quantile level. The performance of the proposed estimation method is evaluated through a simulation study.

研究动机与目标

• 开发一种用于估计分位数谱和交叉谱的非参数方法，将其作为频率与分位数水平的双变量函数。
• 解决分位数谱估计的挑战，因其依赖于双变量水平交叉率和分位数特定的自相关结构，难以直接估计。
• 通过先进的平滑技术（包括一种新颖的样条分位数回归，SQR）减少各分位数上的统计变异性。
• 通过模拟实验评估所提方法的性能，比较不同平滑策略下的估计精度。

提出的方法

• 该方法通过在每个频率和分位数水平上求解三角函数分位数回归，利用损失函数 ρα(y) 建模条件分位数，构建分位数离散傅里叶变换（QDFT）。
• 通过对QDFT应用逆傅里叶变换，获得分位数序列（QSER），从而得到每个分位数水平的时间域序列。
• 采用滞后窗（LW）方法，从QSER的样本自协方差和互协方差函数中估计分位数谱和交叉谱。
• 应用三种分位数平滑技术：对LW估计值进行样条平滑、对QDFT序列进行平滑，以及一种新颖的样条分位数回归（SQR），联合估计分位数回归系数并施加粗糙度惩罚。
• SQR方法将三角函数分位数回归的系数建模为分位数水平 α 的样条函数，并对二阶差分施加惩罚以保证平滑性。
• 通过1000次蒙特卡洛模拟，利用估计谱与真实谱之间的Kullback-Leibler散度（KLD）评估谱估计器的性能。

实验结果

研究问题

• RQ1 分位数离散傅里叶变换（QDFT）和分位数序列（QSER）能否为非参数分位数谱估计提供稳定且可解释的基础？
• RQ2 不同分位数平滑技术（特别是样条平滑、加权平滑和样条分位数回归，SQR）在减少各分位数间估计变异性方面的有效性如何？
• RQ3 通过SQR进行联合估计（在分位数水平间强制平滑）是否能获得比逐一分位数回归更精确的谱估计？
• RQ4 平滑参数的选择（如SQR中的μ或smooth.spline中的spar）如何影响谱估计中偏差与方差之间的权衡？
• RQ5 当平滑应用于最终的LW估计值而非QDFT序列时，谱估计器的性能是否得到提升？

主要发现

• SQR方法在μ=4时的Kullback-Leibler散度（KLD）为0.155，优于未平滑的LW和LWQS估计器，但未达到最优LWQS配置的性能。
• 在LW估计器中，直接对LW估计值应用分位数平滑（LWQS）的KLD低于QSLW估计器（对QDFT序列进行平滑），表明事后平滑更有效。
• 对于QSLW估计器，广义交叉验证（GCV）准则表现不佳，但smooth.spline中的spar值范围可显著降低估计误差。
• 在大多数平滑参数下，SQR方法采用未加权惩罚比加权惩罚更有效，尽管后者在高μ值下表现出更好的稳定性。
• 与逐一分位数回归相比，SQR方法使计算时间增加了约25倍，反映出联合估计引入额外参数所带来的计算成本。
• 模拟结果表明，性能最佳的LWQS估计器在M=30时的KLD为0.148，低于采用SQR的SQRLW估计器在μ=4时的0.155 KLD。