[论文解读] Fast and Robust Parametric Estimation for Time Series and Spatial Models

Stéphane Guerrier, Roberto Molinari|arXiv (Cornell University)|Jul 20, 2016

Advanced Statistical Methods and Models参考文献 54被引用 4

一句话总结

本文提出了鲁棒广义小波矩法（RGMWM），一种计算高效且数值稳定的框架，用于对二阶内生平稳时间序列和空间模型进行鲁棒参数估计。通过使用小波方差的M-估计器，该方法有效限制了异常值的影响，在数据污染情景下表现优于标准方法，同时保持了强渐近性质和复杂模型下的计算可行性。

ABSTRACT

We present a new framework for robust estimation and inference on second-order stationary time series and random fields. This framework is based on the Generalized Method of Wavelet Moments which uses the wavelet variance to achieve parameter estimation for complex models. Using an M-estimator of the wavelet variance, this method can be made robust therefore allowing to estimate the parameters of a wide range of time series and spatial models when the data suffers from outliers or different forms of contamination. The paper presents a series of simulation studies as well as a range of applications where this new approach can be considered as a computationally efficient, numerically stable and robust method which performs at least as well as existing methods in bounding the influence of outliers on the estimation procedure.

研究动机与目标

• 解决在数据污染条件下，时间序列与空间模型缺乏鲁棒、计算高效且数值稳定的参数估计方法的问题。
• 将广义小波矩法（GMWM）扩展至随机场，实现对内生平稳过程的鲁棒推断。
• 提供一个统一的框架，在大样本量和复杂模型下仍保持统计效率与计算可行性。
• 克服传统估计器（如GMM和MLE）的局限性，后者通常需要辅助参数选择，或在高维设置下出现数值不稳定性。

提出的方法

• 通过使用小波方差（WV）作为一组辅助统计量，将GMWM框架扩展至随机场，以估计模型参数。
• 采用小波方差的M-估计器以实现对异常值和污染的鲁棒性，确保极端观测值的影响被限制。
• 选择小波方差的M-估计器，因其具有一致性、联合渐近正态性，且无需正态性假设即可实现鲁棒性。
• 通过最小距离估计法进行参数估计，利用经验小波方差与理论小波方差之间的加权差异。
• 基于估计量的渐近分布构建置信区间，遵循Guerrier等人（2013）的方法。
• 该方法应用于时间序列与空间模型，包括潜变量过程及复合模型（如SARIMA和指数协方差结构）。

实验结果

研究问题

• RQ1 GMWM框架能否被稳健地扩展至空间模型和内生平稳随机场？
• RQ2 与标准估计器相比，RGMWM在数据污染条件下，其估计精度、计算效率和数值稳定性表现如何？
• RQ3 在依赖数据设置下，使用小波方差的M-估计器在多大程度上减少了异常值的影响？
• RQ4 当数据偏离正态性或包含结构性异常时，RGMWM是否仍能保持强渐近性质和可靠的推断能力？
• RQ5 RGMWM能否为复杂模型（如潜变量时间序列和大样本量的空间随机场）提供可靠的参数估计？

主要发现

• RGMWM估计器在限制异常值影响方面表现出与现有鲁棒方法相当或更优的性能，尤其在数据污染情景下。
• 在云图像数据中，RGMWM在第四区域将变差参数σ²估计为1.063×10⁻²，显著低于GMWM的3.615×10⁻²，表明对变异性估计的过度膨胀被有效抑制。
• 在第三区域，RGMWM将σ²估计为1.096×10⁻²，而GMWM估计为3.436×10⁻²，表明对方差的过度估计持续减少。
• 在所有区域中，范围参数φ在GMWM与RGMWM下估计一致，95%置信区间重叠，表明尺度估计具有鲁棒性。
• 该方法在处理大规模空间数据集时表现出高度计算效率和数值稳定性，其在复杂模型中的可行性优于MLE和GMM。
• 小波方差M-估计器的渐近性质成功传递至RGMWM，从而支持有效推断和置信区间的构建。