Frequency Domain Resampling for Gridded Spatial Data

技術要約：格子状空間データにおける周波数領域リサンプリング

問題提起
空間データの周波数領域解析において、スペクトル平均（スペクトル密度を関数で重み付けした積分）は、共分散構造の理解、パラメータ推定（例：Whittle推定）、および適合度検定を行う上で基本的となる。これらのスペクトル平均統計量の漸近正規性は確立されているものの、そのサンプリング分布は複雑な分散構造を持つ。具体的には、漸近分散は、スペクトル密度の二乗に依存する項（$\sigma_1^2$）と、プロセスの4次累積量に依存する項（$\sigma_2^2$）の2つの成分で構成される。

既存の非パラメトリック・リサンプリング手法、特に空間データに対してNg et al. (2021) が提案した周波数領域ワイルド・ブートストラップ（FDWB）は、重大な限界に直面している。FDWBは、周期図（periodogram）のオルディネート（縦の値）が漸近的に独立であるという仮定に依存しており、実質的に第2の分散成分（$\sigma_2^2$）をゼロとして推定している。その結果、FDWBはガウス過程（4次累積量が消失する場合）または$\sigma_2^2=0$となる特定の統計量に対してのみ有効な推論を行う。一般的な非ガウス空間プロセスに対しては、FDWBは真の分散を捉えることができず、不適切な分布近似、信頼区間の被覆率の低下、およびタイプIエラー率の上昇を招く。

手法：ハイブリッド周波数領域ブートストラップ (HFDB)
標準的な空間ブートストラップがスペクトル平均の全分散構造を捉えられない問題を解決するため、著者らは**ハイブリッド周波数領域ブートストラップ（HFDB）**を提案する。この手法は、空間サブサンプリングと周波数領域ブートストラップという2つの異なるリサンプリング技術を統合したものである。

1. 分散推定のための空間サブサンプリング： 著者らは、スペクトル平均統計量の全分散を推定するために空間サブサンプリングを利用する。サイズ $b_n$ のブロックを用いてデータの「小規模なコピー」を作成することにより、サブサンプリング分散推定量（$\hat{\sigma}_n^2$）を導出する。極めて重要な点は、この推定量を分解し、FDWBが取りこぼす4次累積量の寄与を捉える第2の分散成分（$\hat{\sigma}_{2,n}^2$）を孤立させて抽出することである。
2. 分布の形状のための周波数領域ブートストラップ： 著者らは、ブートストラップ標本を生成するためにFDWB (Ng et al., 2021) を用いる。この手法は、スペクトル密度推定量に基づいて周期図のオルディネートを独立にリサンプリングし、サンプリング分布の形状と第1の分散成分（$\sigma_1^2$）を効果的に捉える。
3. ハイブリッド・スケーリング補正： コアとなる革新は、スケーリング調整である。生のFDWB統計量は、欠落している分散成分のサブサンプリング推定値（$\hat{\sigma}_{2,n}^2$）を組み込んだ因子によって再スケーリングされる。ハイブリッド統計量 $H^*_{HFDB,n}(\psi)$ は以下のように定義される：
   $$H^*_{HFDB,n}(\psi) \equiv \frac{\sqrt{\text{Var}^*\{Q^*_{FDWB,n}(\psi)\} + \hat{\sigma}_{2,n}^2}}{\sqrt{\text{Var}^*\{Q^*_{FDWB,n}(\psi)\}}} Q^*_{FDBF,n}(\psi)$$
   これにより、ブートストラップが提供する分布の形状を保持しつつ、ハイブリッド統計量が正しい漸近分散（$\sigma_1^2 + \sigma_2^2$）を持つことが保証される。

理論的結果
本論文は、緩やかな仮定（仮定1–4）の下での提案手法の整合性を確立している。これらには、4次定常性、累積量の可和性、および弱い依存条件（例：$\alpha$-混合または$m$-依存性）が含まれる。

• 定理 3.1： 分散成分 $\sigma_1^2$ および $\sigma_2^2$ に対する空間サブサンプリング推定量が一致性を持つことを証明する。
• 定理 4.1： HFDB近似が対象となる統計量の目標分布に対して一致していることを示す。具体的には、HFDBは、$\sigma_2^2 > 0$ である非ガウス過程においても、正しい限界分散を推定し、真のサンプリング分布に分布収束する。

数値的結果
著者らは、3つの推論問題におけるFDWBおよび標準的な正規近似との比較を通じて、有限サンプルシミュレーションによりHFDBを評価した。

1. 空間共分散の信頼区間： ガウス過程においては、HFDBとFDWBは同様の性能を示す。しかし、非ガウス過程（ガンマ・イノベーションを持つ線形プロセス）においては、FDWBは分散の過小推定による系統的な被覆率の低下を示す。対照的に、HFDBは様々なサンプルサイズおよびラグにおいて、公称レベルである95%に近い被覆率を一貫して達成する。
2. バリオグラムモデルの適合： 非ガウス場におけるバリオグラムパラメータの推定において、FDDBは再び公称被覆率を維持できないが、HFDBは信頼できる推論を提供する。
3. 空間等方性テスト： 等方性の検定において、非ガウス性の下では、FDWBは膨張したタイプIエラー率（有意水準5%を大幅に上回る棄却率）を示す。HFDBは空間サブサンプリングと同等のサイズ制御を維持しつつ、異方性比が増大するにつれて優れた検出力を示す。

意義と主張
本論文は、特にスペクトル平均統計に関する空間データのリサンプリング理論における決定的な空白を埋めるものであると主張している。時系列の文献では、ブートストラップとサブサンプリングを組み合わせたハイブリッド手法（例：Meyer et al., 2020; Yu et al., 2023）が進展しているが、このような枠組みは空間データにおいてはこれまで存在しなかった。

著者らは、HFDBが以下の特性を持つ実用的な非パラメトリック・アプローチを提供すると断言している：

• 従来の空間周波数領域ブートストラップに求められる制限的なガウス性を排除する。
• 高次の累積量によって駆動される複雑な分散構造を持つ、幅広い空間スペクトル統計量の不確実性を正確に定量化する。
• 時系列解析における最先端のハイブリッド・ピリオドグラム・ブートストラップの空間的な類似物を提供する。

結論として、現在の実装は格子状（ラティス）データに焦点を当てているものの、本手法は一般的な空間プロセスに対する妥当な推論に向けた重要な一歩であり、不規則なサンプリング位置への拡張には、周期図のバイアスや周波数グリッドの定義に関するさらなる理論的課題が存在するとしている。