[论文解读] Multivariate Nonparametric Estimation of the Pickands Dependence Function using Bernstein Polynomials

G Marcon, Simone A. Padoan+3 more|arXiv (Cornell University)|May 20, 2014

Hydrology and Drought Analysis参考文献 34被引用 6

一句话总结

本文提出了一种基于伯恩斯坦多项式逼近的非参数估计器，用于多变量极端值Copula中的Pickands依赖函数，通过该方法强制执行形状约束（凸性与边界）。该方法确保估计器为有效的Pickands函数，同时实现渐近正态性与一致的有限样本性能，已在七个气象站的法国周降雨量最大值数据上得到验证。

ABSTRACT

Many applications in risk analysis, especially in environmental sciences, require the estimation of the dependence among multivariate maxima. A way to do this is by inferring the Pickands dependence function of the underlying extreme-value copula. A nonparametric estimator is constructed as the sample equivalent of a multivariate extension of the madogram. Shape constraints on the family of Pickands dependence functions are taken into account by means of a representation in terms of a specific type of Bernstein polynomials. The large-sample theory of the estimator is developed and its finite-sample performance is evaluated with a simulation study. The approach is illustrated by analyzing clusters consisting of seven weather stations that have recorded weekly maxima of hourly rainfall in France from 1993 to 2011.

研究动机与目标

• 开发一种尊重极端值Copula形状约束的Pickands依赖函数非参数估计器。
• 解决现有估计器因缺乏凸性或边界约束而导致可能无效的问题。
• 确保估计器在高维设置（d ≥ 3）下计算上可行且一致。
• 提供具有大样本理论和有限样本模拟验证的理论基础方法。
• 将该方法应用于真实世界环境数据——1993年至2011年法国七个气象站的每小时降雨量周最大值。

提出的方法

• 将Pickands依赖函数表示为次数为 $k$ 的伯恩斯坦多项式展开，通过构造保证凸性与边界约束。
• 使用投影的马多格（madogram）估计器作为依赖函数的初始非参数估计。
• 将马多格估计器投影到满足Pickands函数约束（凸性、边界）的次数为 $k_n$ 的伯恩斯坦多项式空间中。
• 应用约束优化过程，确保所得多项式属于有效的Pickands函数类 $\mathcal{A}$。
• 在正则性条件下建立估计器的渐近正态性，收敛速率为 $O_p(n^{-1/2})$。
• 通过在空间 $\mathcal{A}_{k_n}$ 上进行 $L^2$-投影，确保一致性和与无约束投影的渐近等价性。

实验结果

研究问题

• RQ1 能否构造一种非参数估计器，保证Pickands依赖函数的凸性与边界约束，且无需参数假设？
• RQ2 与无约束估计器（如马多格估计器）相比，伯恩斯坦多项式逼近如何改善有限样本性能？
• RQ3 在样本量不断增加的情况下，所提出估计器的渐近分布为何？
• RQ4 该方法在高维极值（例如 $d=7$）中对真实环境数据的依赖结构恢复效果如何？
• RQ5 多项式次数 $k_n$ 的选择是否影响估计器的收敛速率与精度？

主要发现

• 所提出的基于伯恩斯坦多项式的估计器在构造上即为有效的Pickands依赖函数，满足凸性与边界约束 $1/d \leq A(\mathbf{w}) \leq 1$。
• 估计器实现渐近正态性：$\sqrt{n}(\widetilde{A}_{n,k_n}^{\mathrm{MD}} - A) \xrightarrow{d} \arg\min_{Z' \in T_{\mathcal{A}}(A)} \|Z' - Z\|_2$，其中 $Z$ 为高斯过程。
• 在假设 $k_n \to \infty$ 足够缓慢的条件下，$L^2$-投影误差 $\|\widetilde{A}_{n,k_n}^{\mathrm{MD}} - \widetilde{A}_n^{\mathrm{MD}}\|_2 = o_p(n^{-1/2})$，确保渐近等价性。
• 通过模拟研究验证了有限样本性能，显示其在稳定性和约束满足方面优于无约束估计器。
• 该方法成功建模了49个法国气象站的真实数据集中的极值依赖结构，其中 $d=7$ 个聚类使用了1993年至2011年的每小时降雨量周最大值。
• 当 $k \to \infty$ 时，估计器一致收敛于真实Pickands函数，且 $\delta_{k_n} = O(k_n^{-1/2})$，确保了一致性。