[论文解读] Approximate Bayesian Computing for Spatial Extremes

Robert J. Erhardt, Richard L. Smith|arXiv (Cornell University)|Sep 19, 2011

Markov Chains and Monte Carlo Methods参考文献 21被引用 1

一句话总结

本文提出一种基于最大稳定过程的近似贝叶斯计算（ABC）方法，用于空间极值分析，通过依赖基于模拟的推断来规避难以计算的联合似然函数。结果表明，ABC方法，特别是三元组实现方式，在估计空间依赖性方面比复合似然估计的均方误差更低，尽管计算成本更高，但不确定性量化更优。

ABSTRACT

Statistical analysis of max-stable processes used to model spatial extremes has been limited by the difficulty in calculating the joint likelihood function. This precludes all standard likelihood-based approaches, including Bayesian approaches. Here we present a Bayesian approach through the use of approximate Bayesian computing. This circumvents the need for a joint likelihood function and instead relies on simulations from the (unavailable) likelihood. This method is compared with an alternative approach based on the composite likelihood. When estimating the spatial dependence of extremes, we demonstrate that approximate Bayesian computing can provide estimates with a lower mean square error than the composite likelihood approach, though at an appreciably higher computational cost. As this approach very naturally incorporates parameter uncertainty into predictions, it is well suited for use in pricing weather derivatives to manage environmental risks. We discuss the construction and pricing of such weather derivatives. The method described utilizes results from spatial statistics and extreme value theory to first model extremes in the weather as a max-stable process, and then use these models to simulate payments for a general collection of weather derivatives. These simulations capture the spatial dependence of payments. Incorporating results from catastrophe ratemaking, we show how this method can be used to compute risk loads and premiums for weather derivatives which are renewal-additive. We illustrate the performance of the approximate Bayesian computing method and weather derivative pricing with applications to United States temperature data. The first application considers pricing weather derivatives for temperature extremes in the Midwestern United States. The second application demonstrates the use of the approximate Bayesian computing method in estimating the risk of crop loss due to an unlikely freeze event in northern Texas.

研究动机与目标

• 开发一种针对联合似然函数难以计算的空间极值的贝叶斯推断方法。
• 克服标准似然方法在最大稳定过程建模中的局限性。
• 比较ABC与复合似然估计在估计精度和不确定性量化方面的表现。
• 评估ABC在更高阶k元组（如三元组）上的性能，而不仅限于成对比较。
• 将该方法应用于真实的美国气温数据，以评估作物减产的冻害风险。

提出的方法

• 使用近似贝叶斯计算（ABC）方法，以规避最大稳定过程中难以计算的联合似然函数。
• 通过从模型生成模拟数据，并将摘要统计量与观测数据进行比较，实现基于模拟的推断。
• 实现三种ABC变体：成对、三元组和更高阶k元组摘要统计量，以捕捉空间依赖性。
• 使用极值系数作为关键摘要统计量，以衡量空间依赖性。
• 采用容差阈值ǫ，接受那些模拟数据与观测数据接近的参数值。
• 利用独立采样实现并行计算，并探索自适应ABC以提高效率。

实验结果

研究问题

• RQ1 ABC能否在最大稳定过程中提供比复合似然更精确的空间依赖性估计？
• RQ2 与成对方法相比，包含更高阶k元组（如三元组）是否能提升ABC的性能？
• RQ3 ABC在极端事件预测中，对参数不确定性的量化能力有多强？
• RQ4 在实际的空间设定下，ABC与复合似然之间的计算权衡如何？
• RQ5 ABC能否有效应用于真实环境数据（如美国气温极值）？

主要发现

• ABC三元组方法在估计空间依赖性方面，相较于复合似然，均方误差更低，尤其在短程最大稳定过程中表现更优。
• ABC方法自然地将参数不确定性纳入预测中，这对极端事件的风险评估至关重要。
• 尽管计算成本更高，ABC在短程过程中统计显著性优于复合似然，表现更优。
• 基于独立采样的ABC实现方式具有良好的并行性，可将运行时间从数天缩短至数小时。
• 在真实美国气温数据上的应用表明，ABC能比经验方法更真实地估计极端冻害导致的作物减产分布。
• 本研究凸显了ABC在更高阶摘要统计量方面的潜力，但ABC下的模型选择仍是开放性挑战。