Modelling heavy tail data with bayesian nonparametric mixtures

技術要約：ベイズ非パラメトリック混合によるヘビーテイル・データのモデリング

問題提起
ヘビーテイル（重い裾）を持つデータの研究は、金融や保険などの分野において極めて重要である。これらの分野では、極端な事象（市場の暴落や自然災害による請求など）がリスク評価を左右するためである。伝統的な手法は、ブロック最大値法や閾値超過法を用いる極値理論（EVT）に依存することが多い。しかし、これらの手法は「バルク（本体）」に含まれる貴重な情報（閾値以下の観測値）を切り捨ててしまうという欠点がある。本体分布と裾分布（一般化パレート分布など）を組み合わせた混合モデルも提案されているが、これらは事前に関数パラメータを固定する必要があったり、データの複雑なクラスタリング構造を捉えきれない特定のパラメトリックな仮定に依存したりすることが多い。近年、ベイズ非パラメトリック（BNP）アプローチも探索されているが、閾値を事前に指定することなく、本体と裾を同時にモデリングでき、かつデータから潜在的なコンポーネントの数を決定できる柔軟なモデルが求められている。

手法
著者らは、**シフト型ガンマ・ガンマ（SGG）**密度に基づくベイズ非パラメトリック混合モデルを提案している。SGG分布は、4つのパラメータ（$\mu, \gamma, \alpha, \beta$）を持つ関数族であり、一般化パレート分布（GPD）およびガンマ・ガンマ（GG）分布の両方を一般化したものである。

• パラメータ: $\mu$（位置）、$\gamma$（形状）、$\alpha$（裾）、$\beta$（尺度）。決定的なのは、裾パラメータ $\alpha$ が裾の重さを制御することである。具体的には、$\alpha \leq 1$ のとき、分布は正則な変動（ヘビーテイル）を示す。
• 混合分布: モデルは、パラメータベクトル $\theta_i = (\mu_i, \gamma_i, \alpha_i, \beta_i)$ の混合分布として**ポアソン・ディリクレ（PD）**過程を採用している。PD過程はその離散的な特性により、データのクラスタリングを誘導する。これにより、モデルは、本体（軽い裾、$\alpha > 1$）をモデリングするコンポーネントと、裾（重い裾、$\alpha \leq 1$）をモデリングするコンポーネントを識別しながら、有限個の混合コンポーネントを特定することができる。
• 閾値の扱い: 本モデルの重要な特徴は、事前に閾値を固定する必要がないことである。SGG密度の位置パラメータ $\mu$ が実質的に閾値を担うことで、モデルは本体と裾の間の遷移を自然に推定できる。
• 事後推論: SGGの尤度は4つのパラメータベクトルに対して共役事前分布を持たないため、著者らは効率的な適応型MCMCサンプラーを開発した。
  • 手法は、尤度を条件付きガンマ分布の積へと簡略化するために、潜在変数 $Y_i$ を導入するデータ拡張戦略を利用している。
  • サンプラーは、ランダム測量 $G$ を積分除去する周辺サンプラーと、非共役パラメータのための**メトロポリス・ヘイスティングス（MH）**ステップを組み合わせている。
  • MHステップを最適化するために、提案分布のチューニングパラメータを80イテレーションごとに調整し、減少適応条件に基づき、受容率を最適な区間 $[0.3, 0.4]$ 内に維持する適応メカニメントが実装されている。

主な貢献

1. 新しいカーネル: 本体と裾の両方を単一のパラメトリックな関数族を通じてモデリングできる、柔軟なカーネルとしてのシフト型ガンマ・ガンマ（SGG）密度の導入。
2. 閾値フリー・モデリング: SGGの位置パラメータを利用することで、固定された閾値の必要性を排除し、モデルが「バルク」と「裾」の分離をデータから直接推定できるようにした。
3. 適応型MCMC: ポアソン・ディリクレの枠組みにおけるSGGパラメータの非共役性を処理するための、特定の事後サンプリングアルゴリズムの開発。これには、効率的な収束を保証するための適応型チューニングメカニズムが含まれる。
4. 裾の特性評価: 裾パラメータ $\alpha$ の事後分布を通じて、各混合コンポーネントの裾の重さを評価する能力。これにより、どのクラスターが極端な事象に対応するかを効果的に識別できる。

結果
著者らは、シミュレーション研究と2つの実世界のデータセットを用いて手法の妥当性を検証した。

• シミュレーション研究: 2つのSGG混合モデル（一方は軽い裾、他方は重い裾）を用い、モデルは真のパラメータとコンポーネントの数（モード = 2）を正常に回収した。事後予測密度は真の密度と密接に一致しており、生存関数推定値は裾の領域において真の値と区別がつかないレベルであった。テストされたPDのバリエーションの中で、ディリクレ過程（DP）の設定（$\nu=0$）が最良の適合を示した。
• 事故保険請求（メキシコ）: 1,383件の請求を分析し、モデルは14個の混合コンポーネントを特定した。裾パラメータ $\alpha$ の事後分析により、データの約18%がヘビーテイル成分（$\alpha < 1$）に由来し、大部分は有限の平均を持つ成分に由来することが明らかになった。モデルは、データのヒストグラムに密接に従う密度推定を提供し、請求額が100,000ペソを超える確率は4.5%であると推定した。
• 都市人口規模（イングランド）: 535の都市人口規模を分析し、モデルは2つのコンポーネントを特定した。データの81%がヘビーテイル成分（$\alpha < 1$）に由来し、18%が有限の平均を持つが無限の分散を持つ成分に由来すると推定した。人口が100,000人を超える都市の確率は9.5%と推定された。
• 比較性能: すべてのケースにおいて、提案されたBNP混合モデルは、計算時間は長くなるものの、適合度指標（LPML, AIC, BIC）において単一のSGGモデルを上回った。

意義と主張
本論文は、提案されたBNP混合モデルが、ヘビーテイル・データに対する伝統的な閾値ベースの手法に代わる堅牢な選択肢を提供すると主張している。ポアソン・ディリクレ過程の離散性を活用することで、モデルは少数のコンポーネントでデータを簡潔に記述でき、恣意的な閾値選択なしにバルクと裾を区別できる。著者らは、適応型MCMCサンプラーによって、この複雑な非共役推論が計算可能になっていることを強調している。本研究は、極値解析へのBNP手法の適用における一歩として提示されており、今後の課題として共変量の導入や多変量への拡張が示唆されている。なお、コードとデータは補足資料として利用可能である。