Orthogonal parametrisations of Extreme-Value distributions

A continuación se presenta un resumen técnico detallado del artículo "Orthogonal parametrisations of Extreme-Value distributions" de Nathan Huet e Ilaria Prosdocimi, traducido y adaptado al español.

Resumen Técnico: Parametrizaciones Ortogonales de Distribuciones de Valores Extremos

1. Planteamiento del Problema

Las distribuciones de valores extremos (como la GEV y la GP) son fundamentales para modelar eventos raros en campos como las ciencias ambientales y la gestión de riesgos. Sin embargo, la inferencia estadística de sus parámetros presenta desafíos significativos:

• Inestabilidad: La estimación es altamente sensible a valores atípicos (outliers) y a tamaños de muestra pequeños, lo cual es inherente a la naturaleza de los eventos extremos.
• Interacción de Parámetros: Existe una fuerte correlación entre los estimadores de los parámetros (ubicación, escala y forma), lo que complica la convergencia de algoritmos de optimización y métodos bayesianos (como MCMC).
• Interpretabilidad: Los parámetros tradicionales a menudo no son directamente interpretables ni son el objetivo principal de la estimación en aplicaciones prácticas.
• Falta de Referencias Unificadas: Los elementos de la matriz de información de Fisher necesarios para derivar nuevas parametrizaciones están dispersos en la literatura y no siempre están completos.

2. Metodología

El artículo propone una reparametrización ortogonal basada en el marco teórico desarrollado por Cox y Reid (1987).

• Concepto de Ortogonalidad: Una parametrización es ortogonal si la información cruzada de Fisher entre el parámetro de interés ($\psi$) y los parámetros de incómodo ($\lambda$) es cero. Matemáticamente, esto implica que la esperanza de la derivada cruzada del log-verosimilitud es nula: $E[\frac{\partial^2 l}{\partial \psi \partial \lambda_j}] = 0$.
• Objetivo: Reducir la correlación entre los estimadores de los parámetros, facilitando la inferencia y mejorando la convergencia de los algoritmos numéricos.
• Enfoque de Derivación:
  • Se derivan las nuevas transformaciones resolviendo ecuaciones diferenciales parciales basadas en la matriz de información de Fisher.
  • Dado que la derivación para la distribución GEV de tres parámetros completa resulta intratable (requiere resolver un sistema acoplado de EDPs complejo), el estudio se centra en dos casos especiales de dos parámetros:
    1. La distribución de Gumbel (límite de la GEV cuando $\xi \to 0$).
    2. La distribución GEV de dos parámetros (GEV2), obtenida asumiendo que el límite inferior o superior de la distribución es conocido (fijando el parámetro de ubicación $\mu$ en función de la escala y la forma).

3. Contribuciones Clave

Los autores presentan resultados teóricos y fórmulas explícitas para las siguientes distribuciones:

• Distribución de Gumbel:

  • Se proponen dos reparametrizaciones ortogonales:
    1. Transformando el parámetro de ubicación ($\mu$) manteniendo la escala ($\sigma$) fija.
    2. Transformando el parámetro de escala ($\sigma$) manteniendo la ubicación ($\mu$) fija.
  • Las transformaciones involucran constantes como la constante de Euler-Mascheroni ($\gamma$).

• Distribución GEV de Dos Parámetros (GEV2):

  • Se asume un límite de soporte conocido (ej. $B=0$).
  • Se demuestra que no es posible mantener el parámetro de escala $\sigma$ como parámetro de interés sin transformar la forma debido a la complejidad de la información de Fisher.
  • Se propone una reparametrización donde el parámetro de forma ($\xi$) se mantiene y el parámetro de escala se transforma: $\tilde{\sigma}(\rho, \xi) = C(\rho)\xi \exp((1-\gamma)\xi)$.

• Distribución Generalizada de Pareto (GP):

  • Se revisan y confirman las parametrizaciones ortogonales existentes (Chavez-Demoulin y Davison, 2005) y se propone una alternativa transformando el parámetro de forma en lugar de la escala.
  • Se discute la relación entre la ortogonalidad en GP y GEV, notando que, a pesar de sus conexiones teóricas, la inferencia con muestras finitas presenta desafíos distintos en cada marco (máximos de bloques vs. picos sobre umbral).

• Recopilación de Información de Fisher:

  • El artículo unifica en un solo lugar los elementos de la matriz de información de Fisher para GEV, Gumbel y GP, sirviendo como referencia para futuros trabajos de inferencia.

4. Resultados (Estudio de Simulación)

Se realizó un estudio de simulación con $d=1000$ réplicas de muestras de tamaño $n=100$ para validar las propiedades de las nuevas parametrizaciones.

• Métricas: Se calculó la correlación cruzada entre los estimadores de los parámetros bajo la parametrización clásica y las nuevas parametrizaciones ortogonales.
• Hallazgos:
  • Las parametrizaciones ortogonales reducen drásticamente la dependencia entre los estimadores, incluso con tamaños de muestra moderados ($n=100$).
  • Las correlaciones cruzadas de los estimadores reparametrizados se concentran fuertemente alrededor de cero.
  • Excepción: En el caso de la distribución GP, la parametrización que transforma el parámetro de forma ($\xi$) en lugar de la escala mostró una correlación residual más alta, lo que respalda la elección de la literatura previa de transformar la escala.
• Visualización: Los diagramas de violín (Figura 1) ilustran claramente la reducción de la dispersión de la correlación en los casos reparametrizados.

5. Significado e Impacto

• Mejora en la Inferencia: La reducción de la correlación entre parámetros es crucial para la estabilidad de los algoritmos de estimación (como la máxima verosimilitud) y, especialmente, para la eficiencia de los algoritmos MCMC en contextos bayesianos.
• Aplicabilidad Práctica: Al ofrecer parametrizaciones donde el parámetro de interés es ortogonal a los demás, se facilita la interpretación de los resultados y la construcción de intervalos de confianza más precisos.
• Referencia Técnica: El artículo llena un vacío en la literatura al proporcionar derivaciones explícitas y una recopilación unificada de la información de Fisher para estas distribuciones, que son esenciales para el modelado de riesgos extremos en ingeniería, hidrología y climatología.

En conclusión, el trabajo demuestra que, aunque la ortogonalidad completa para la GEV de tres parámetros es matemáticamente intratable, es posible y altamente beneficioso aplicar estas técnicas a casos de dos parámetros (Gumbel y GEV con límites conocidos) y a la distribución GP, mejorando sustancialmente la robustez de la inferencia estadística en eventos extremos.