[论文解读] About Kendall's regression

Alexis Derumigny, Jean‐David Fermanian|arXiv (Cornell University)|Feb 21, 2018

Financial Risk and Volatility Modeling参考文献 9被引用 3

一句话总结

本文提出了一种惩罚回归模型用于条件 Kendall's tau，通过变换协变量的灵活基展开，估计在协变量给定条件下两变量之间的依赖关系。该研究建立了具有显式常数的非渐近界，证明了两步估计量的一致性和渐近正态性，并在稀疏性条件下展示了其 oracle 性质和模型选择一致性。

ABSTRACT

Conditional Kendall's tau is a measure of dependence between two random variables, conditionally on some covariates. We assume a regression-type relationship between conditional Kendall's tau and some covariates, in a parametric setting with a large number of transformations of a small number of regressors. This model may be sparse, and the underlying parameter is estimated through a penalized criterion. We prove non-asymptotic bounds with explicit constants that hold with high probabilities. We derive the consistency of a two-step estimator, its asymptotic law and some oracle properties. Some simulations and applications to real data conclude the paper.

研究动机与目标

• 使用条件 Kendall's tau 建模两个随机变量之间的依赖关系作为协变量的函数。
• 通过引入参数化基展开回归框架，解决高维、非参数化条件依赖估计的挑战。
• 实现对协变量影响依赖关系的推断，包括在对 copula 模型中检验“简化假设”。
• 开发一种计算高效的替代方法，以克服核平滑方法在样本量增大时性能下降的问题。
• 建立理论保证，包括非渐近界、一致性、渐近正态性以及估计量的 oracle 性质。

提出的方法

• 将变换后的条件 Kendall's tau 建模为协变量基函数的线性组合：$ \Lambda(\tau_{1,2|\mathbf{Z}=\mathbf{z}}) = \mathbf{\psi}(\mathbf{z})^T \boldsymbol{\beta}^* $，其中 $ \Lambda $ 为连接函数（如 Fisher 变换）。
• 使用惩罚准则（如 Lasso 类型）估计高维参数向量 $ \boldsymbol{\beta} $，以促进稀疏性和模型选择。
• 对每个协变量取值，采用基于核的估计方法估计条件 Kendall's tau，并在正则性条件下推导理论界。
• 利用核和设计密度的矩条件与熵条件，建立估计量的非渐近集中不等式。
• 在带宽、核及密度的正则性条件下，推导两步估计量的渐近正态性。
• 采用两步估计程序：首先通过核平滑估计条件 Kendall's tau，然后对变换后的 tau 值在协变量的基函数上进行惩罚回归。

实验结果

研究问题

• RQ1 灵活的参数化回归模型能否有效表示协变量与条件 Kendall's tau 之间的函数关系？
• RQ2 对于条件依赖的惩罚两步估计量，可以建立哪些理论保证（一致性、渐近正态性、oracle 性质）？
• RQ3 如何利用所提出的框架检验对 pair-copula 模型中“简化假设”的影响？
• RQ4 估计的条件 Kendall's tau 的非渐近误差界（含显式常数）是什么？
• RQ5 与非参数核平滑相比，惩罚回归方法在计算成本和统计效率方面表现如何？

主要发现

• 推导出条件 Kendall's tau 估计误差的非渐近界，且在高概率下成立。
• 在带宽、核及密度的正则性条件下，两步惩罚估计量具有一致性和渐近正态性。
• 估计量实现了 oracle 性质，即以高概率选择正确模型，并对非零系数的估计如同已知真实模型一般。
• 该方法可通过检验协变量是否影响依赖关系，实现对 copula 模型中“简化假设”的检验。
• 模拟和实际数据分析证实，该方法能良好恢复稀疏的非线性依赖结构，且在小样本下表现良好。
• 由于采用参数化回归框架，该方法相比核平滑显著降低了计算成本，尤其在大规模数据集上优势明显。