Directional variograms for multivariate extremes

Technische Samenvatting: Richtingsvariogrammen voor Multivariante Extremen

Probleemstelling
Multivariante geparametriseerde Pareto-verdelingen (GPD's) dienen als de fundamentele limietmodellen voor drempeloverschrijdingen in de multivariante extreme waarde theorie. Bestaande inferentiemethoden voor deze verdelingen, met name die gebaseerd op het extreme variogram, conditioneren de willekeurige vector doorgaans op het overschrijden van nul door één enkele component (bijv. $Y_m > 0$). Deze aanpak beperkt de analyse tot specifieke half-ruimten die uitgelijnd zijn met de coördinatastelsels. De auteurs stellen dat deze conditionering een arbitraire keuze is die statistisch suboptimaal kan zijn, wat potentieel kan leiden tot vertekende of hoog-variante schatters, afhankelijk van de onderliggende afhankelijkheidsstructuur en de specifieke gebruikte drempelwaarde.

Methodologie
Het artikel stelt een generalisatie voor van het extreme variogram door de multivariante GPD-willekeurige vector $Y$ te conditioneren op willekeurige half-ruimten gedefinieerd door een richtingvector $v$ in de waarschijnlijkheidssimplex ($\Delta^{d-1}$). In het bijzonder definiëren de auteurs de geconditioneerde vector $Y^v = (Y \mid v^\top Y > 0)$ en de bijbehorende $v$-variogram matrix $\Gamma^v$, met de elementen $\Gamma^v_{ij} = \text{Var}(Y^v_i - Y^v_j)$.

Belangrijke methodologische ontwikkelingen zijn:

1. Stochastische Representatie: De auteurs vestigen een decompositie $Y^v \stackrel{d}{=} W^v + E\mathbf{1}$, waarbij $E$ een onafhankelijke standaard exponentiële willekeurige variabele is en $W^v$ de $v$-extreme functie is. $W^v$ is gedefinieerd als de schuine projectie van $Y^v$ op het hypervlak $v^\perp$.
2. Generator Relaties: Gebruikmakend van het concept van een generator $U$ voor de GPD, leiden de auteurs af dat $W^v \stackrel{d}{=} P_v U^v$, waarbij $U^v$ een exponentieel getilte versie is van de generator $U$. Dit maakt de afleiding van gesloten vorm expressies voor $\Gamma^v$ mogelijk over verschillende parametrische modellen.
3. Dichtheidsrepresentaties: Voor het Hüsler–Reiss model leiden de auteurs nieuwe gesloten vorm dichtheidsexpressies af voor zowel de geconditioneerde vector $Y^v$ als de exponentmaat-dichtheid $\lambda$. Deze expressies maken gebruik van de precisie-matrix $\Theta$ en de schuine projectie $P_v$.
4. Resistentie-krommingvector: Een specifieke richtingvector $v_0$, de resistentie-krommingvector genoemd, wordt geïdentificeerd. Deze vector is afgeleid van de variogrammatrix $\Gamma$ en komt overeen met de half-ruimte die het laagste verwachte aantal monsters bevat (het minimaliseren van de exponentmaat $\Lambda(H_v)$).
5. Empirische Schatting: Een empirische $v$-variogramschatter $\hat{\Gamma}^v$ wordt gedefinieerd op basis van data die voldoen aan $v^\top Y > 0$. De auteurs introduceren ook ensemble-schatters die $\hat{\Gamma}^v$ middelen over een collectie van richtingvectoren $V$.

Kernbijdragen en Resultaten

• Gesloten Vorm Expressies: Het artikel biedt expliciete formules voor de $v$-variogram $\Gamma^v$ voor drie belangrijke parametrische modellen:
  • Logistiek: $\Gamma^v_{ij} = \theta^2 \psi^{(1)}(1 - v_i\theta) + \theta^2 \psi^{(1)}(1 - v_j\theta)$.
  • Dirichlet: $\Gamma^v_{ij} = \psi^{(1)}(\alpha_i + v_i) + \psi^{(1)}(\alpha_j + v_j)$.
  • Hüsler–Reiss: Het $v$-variogram is invariant voor de keuze van $v$ en is gelijk aan de parametermatrix $\Gamma$ zelf ($\Gamma^v = \Gamma$).
• Hüsler–Reiss Dichtheid en $v_0$: Voor het Hüsler–Reiss model tonen de auteurs aan dat het kiezen van de resistentie-krommingvector $v_0$ resulteert in een bijzonder elegante dichtheidsexpressie, waarbij de $v_0$-extreme functie $W^{v_0}$ een gecentreerde Gaussische verdeling volgt. Bovendien definieert $v_0$ de half-ruimte met de minimale exponentmaat-massa.
• Bias-Variantie Afruil: Simulatiestudies onthullen een uitgesproken bias-variante afruil die afhankelijk is van de keuze van $v$:
  • Conditionering op canonieke eenheidsvectoren (standaard assen) levert schatters op met een lage variantie maar een hoge bias, aangezien deze half-ruimten de grootste verwachte steekproefomvang bevatten maar mogelijk minder extreme datapunten omvatten.
  • Conditionering op de resistentie-krommingvector $v_0$ (of de benadering $v^*_0$) levert schatters op met een lage bias maar een hoge variantie, aangezien deze half-ruimten minder extreme observaties bevatten.
  • De half-ruimte maat $\Lambda(H_v)$ is sterk gecorreleerd met zowel de bias als de variantie van de schatters.
• Ensemble-schatters: De resultaten van de simulaties laten zien dat het combineren van informatie over meerdere richtingen $v$ (ensemble-schatters) de gemiddelde kwadratische fout (MSE) substantieel vermindert ten opzichte van enkelvoudige vector-schatters. De optimale ensemble-samenstelling hangt af van het gebruikte drempelniveau in de data.

Significantie
Het artikel beweert dat het generaliseren van de conditionering van as-gealigneerde half-ruimten naar willekeurige richtingen een flexibeler en statistisch robuuster kader biedt voor inferentie op multivariante extremen. Door de bias-variante afruil die door de keuze van richting $v$ wordt geïnduceerd expliciet te karakteriseren, tonen de auteurs aan dat geen enkele richting universeel optimaal is. In plaats daarvan maakt het gebruik van ensemble-schatters het mogelijk voor praktijkgebruikers om de beperkingen van individuele keuzes te mitigeren, wat leidt tot verbeterde schattingsnauwkeurigheid. De identificatie van de resistentie-krommingvector $v_0$ biedt een theoretisch gefundeerde richting die de bias minimaliseert, terwijl de afgeleide dichtheidsrepresentaties voor het Hüsler–Reiss model nieuwe instrumenten bieden voor statistische modellering en grafische inferentie in extremen.