[论文解读] Double Reweighted Estimators for the Parameters of the Multivariate t Distribution

Fatma Zehra Doğru, Y. Murat Bulut+1 more|arXiv (Cornell University)|Jul 4, 2017

Advanced Statistical Methods and Models被引用 4

一句话总结

本文提出了一种基于MLq估计的多元t分布参数双重新加权估计器，通过改进EM算法以提升鲁棒性。模拟结果表明，MLq估计器在效率和准确性方面显著优于传统的ML估计器，尤其在数据污染和重尾条件下表现更优。

ABSTRACT

The t-distribution has many useful applications in robust statistical analysis. The parameter estimation of the t-distribution is carried out using ML estimation method, and the ML estimates are obtained via the EM algorithm. In this study, we consider an alternative estimation method for all the parameters of the multivariate-t distribution using the MLq estimation method. We adapt the EM algorithm to obtain the MLq estimates for all the parameters. We provide a small simulation study to illustrate the performance of the MLq estimators over the ML estimators and observe that the MLq estimators have considerable superiority over the ML estimators.

研究动机与目标

• 开发一种针对多元t分布的鲁棒参数估计方法，以改进传统的最大似然（ML）估计方法。
• 将已知具有鲁棒性的MLq估计框架应用于多元t分布的所有参数，包括位置、散点矩阵和自由度参数。
• 针对MLq估计改进EM算法，以实现估计器的实际计算。
• 在各种数据污染和分布情景下，评估MLq估计器相对于ML估计器的性能表现。
• 在有限样本中，证明MLq估计器在偏差、均方误差和鲁棒性方面的优越性。

提出的方法

• 将EM算法改进以计算多元t分布的MLq估计，扩展其应用范围，超越标准ML估计。
• 采用基于幂发散的MLq估计，以降低异常值的影响，增强鲁棒性。
• 在MLq框架中，通过双重新加权机制同时估计位置、散点矩阵和自由度参数。
• 在EM算法中实施迭代重新加权步骤，其中权重根据q-似然函数进行更新。
• 使用带有调优参数q的q-似然函数以控制对异常值的敏感度，其中q < 1有利于提升鲁棒性。
• 对位置和散点参数同时应用双重新加权策略，以提高估计的稳定性和效率。

实验结果

研究问题

• RQ1 通过EM算法改进的MLq估计是否能为多元t分布提供比标准ML估计更鲁棒的参数估计？
• RQ2 在数据污染和重尾分布条件下，MLq估计器在偏差和均方误差方面的表现如何？
• RQ3 双重新加权机制是否能同时提升所有参数（位置、散点矩阵和自由度）的估计效率和鲁棒性？
• RQ4 调优参数q对MLq估计器在有限样本中的性能有何影响？
• RQ5 在何种条件下，MLq估计器在多元t分布设置中显著优于ML估计器？

主要发现

• 在数据污染条件下，MLq估计器表现出显著低于ML估计器的偏差和均方误差。
• 双重新加权机制提高了估计效率，尤其在散点矩阵和自由度参数方面更为显著。
• MLq估计器对异常值和重尾分布的鲁棒性优于传统的ML估计器。
• 模拟研究证实，结合EM算法改进的MLq估计为多元t分布参数提供了一种稳定且高效的替代标准ML的方法。
• 当数据中存在适度比例的异常值或偏离正态分布时，MLq估计器的性能提升最为明显。
• MLq估计中的调优参数q实现了效率与鲁棒性之间的权衡，最优性能在q < 1时表现最佳。