[论文解读] A semi-parametric estimation for max-mixture spatial processes

Manaf Ahmed, Véronique Maume‐Deschamps+2 more|arXiv (Cornell University)|Oct 23, 2017

Spatial and Panel Data Analysis参考文献 21被引用 3

一句话总结

本文提出了一种基于F-madogram的半参数估计方法，用于最大混合空间过程，以改进在渐近独立情形下的参数估计。该方法通过最小化理论与经验F-madogram之间的平方差实现，相较于复合似然方法，在近渐近独立设定下表现出更优性能，并在澳大利亚东部降雨数据上得到充分的实证验证。

ABSTRACT

We proposed a semi-parametric estimation procedure in order to estimate the parameters of a max-mixture model and also of a max-stable model (inverse max-stable model) as an alternative to composite likelihood. A good estimation by the proposed estimator required the dependence measure to detect all dependence structures in the model, especially when dealing with the max-mixture model. We overcame this challenge by using the F-madogram. The semi-parametric estimation was then based on a quasi least square method, by minimizing the square difference between the theoretical F-madogram and an empirical one. We evaluated the performance of this estimator through a simulation study. It was shown that on an average, the estimation is performed well, although in some cases, it encountered some difficulties. We apply our estimation procedure to model the daily rainfalls over the East Australia.

研究动机与目标

• 为解决复合似然估计在最大混合空间过程中的局限性，特别是针对渐近独立（AI）分量的估计问题。
• 开发一种基于F-madogram作为依赖度量的半参数替代方法，以同时捕捉渐近依赖（AD）和AI行为。
• 通过模拟和真实数据应用，评估基于F-madogram的最小二乘估计器的性能。
• 提供一种计算成本更低的复合似然替代方案，尤其避免了Godambe矩阵的计算需求。
• 在两种估计框架下，均使用信息准则（MIC和CLIC）进行最佳模型选择。

提出的方法

• 该方法使用F-madogram，一种空间依赖度量，定义为 $ \nu^F(h) = \mathbb{E}\left[ \left| \Lambda(F(X(s+h))) - \Lambda(F(X(s))) \right| \right] $，其中 $ \Lambda $ 为标准Fréchet分布函数。
• 推导了结合极值稳定过程（如TEG、Brown-Resnick）与渐近独立过程（如逆Brown-Resnick、逆Smith）的最大混合模型的理论F-madogram表达式。
• 采用最小二乘估计程序，最小化在一组空间滞后上经验F-madogram与理论F-madogram之间的积分平方差。
• 通过MIC（用于LS-madogram）和CLIC（用于复合似然）准则进行模型选择，数值越小表示拟合越好。
• 通过经验累积分布函数对数据进行非参数变换，使其服从单位Fréchet边缘分布，避免参数化GEV拟合。
• 在F-madogram可识别参数的条件下，证明了LS-madogram估计器的一致性。

实验结果

研究问题

• RQ1 F-madogram能否作为结合渐近依赖与渐近独立的最大混合空间过程的可靠且信息丰富的依赖度量？
• RQ2 在真实过程接近渐近独立的情况下，基于F-madogram的最小二乘估计是否在准确性和稳健性方面优于复合似然估计？
• RQ3 在真实环境数据上，LS-madogram与复合似然估计器在计算成本和模型选择性能方面如何比较？
• RQ4 在最大混合模型框架下，基于F-madogram的估计器是否具有一致性和可识别性？
• RQ5 在两种估计方法下，基于信息准则，哪种模型结构（如TEG + 逆Brown-Resnick）最适配澳大利亚东部日降雨数据？

主要发现

• 当真实模型为近渐近独立时，LS-madogram估计器在模拟中优于复合似然方法，尤其在估计AI分量方面表现更优。
• 对于澳大利亚东部降雨数据，LS-madogram与复合似然方法均选定了相同的最优模型（MM1），表明方法间具有稳健性。
• 在两种估计程序下，MIC与CLIC准则均选定了同一模型（MM1），验证了模型选择的一致性。
• LS-madogram方法的计算量显著低于复合似然方法，因其避免了Godambe矩阵的估计。
• F-madogram成功捕捉了最大混合模型中的依赖结构，使得通过单一可解释度量联合估计AD与AI参数成为可能。
• 在最优拟合的MM1模型下，经验F-madogram与理论F-madogram表现出高度一致，支持了该方法的有效性。