Directional variograms for multivariate extremes

Resumo Técnico: Variogramas Direcionais para Extremos Multivariados

Problema
As distribuições de Pareto generalizadas (GPD) multivariadas servem como modelos limites fundamentais para excedências de limiar em teoria de valores extremos multivariados. Os métodos de inferência existentes para essas distribuições, particularmente aqueles que dependem do variograma extremal, tipicamente condicionam o vetor aleatório a um único componente excedendo zero (ex: $Y_m > 0$). Esta abordagem restringe a análise a semi-espaços específicos alinhados com os eixos de coordenadas. Os autores argumentam que este condicionamento é uma escolha arbitrária que pode ser estatisticamente subótima, podendo levar a estimadores enviesados ou de alta variância, dependendo da estrutura de dependência subjacente e do limiar específico utilizado.

Metodologia
O artigo propõe uma generalização do variograma extremal ao condicionar o vetor GPD multivariado $Y$ em semi-espaços arbitrários definidos por um vetor de direção $v$ no simplexo de probabilidade ($\Delta^{d-1}$). Especificamente, os autores definem o vetor condicionado $Y^v = (Y \mid v^\top Y > 0)$ e a matriz de $v$-variograma associada $\Gamma^v$, com entradas $\Gamma^v_{ij} = \text{Var}(Y^v_i - Y^v_j)$.

Desenvolvimentos metodológicos principais:

1. Representação Estocástica: Os autores estabelecem uma decomposição $Y^v \stackrel{d}{=} W^v + E\mathbf{1}$, onde $E$ é uma variável exponencial padrão independente e $W^v$ é a função extremal-$v$. $W^v$ é definida como a projeção oblíqua de $Y^v$ sobre o hiperplano $v^\perp$.
2. Relações de Gerador: Utilizando o conceito de um gerador $U$ para a GPD, o artigo deriva que $W^v \stackrel{d}{=} P_v U^v$, onde $U^v$ é uma versão exponencialmente inclinada (tilted) do gerador $U$. Isso permite a derivação de expressões de forma fechada para $\Gamma^v$ através de diferentes modelos paramétricos.
3. Representações de Densidade: Para o modelo de Hüsler–Reiss, os autores derivam novas expressões de densidade de forma fechada tanto para o vetor condicionado $Y^v$ quanto para a densidade da medida de expoente $\lambda$. Estas expressões utilizam a matriz de precisão $\Theta$ e a projeção oblíqua $P_v$.
4. Vetor de Curvatura de Resistência: Um vetor de direção específico $v_0$, denominado vetor de curvatura de resistência, é identificado. Este vetor é derivado da matriz de variograma $\Gamma$ e corresponde ao semi-espaço contendo o menor número esperado de amostras (minimizando a medida de expoente $\Lambda(H_v)$).
5. Estimativa Empírica: Um estimador de $v$-variograma empírico $\hat{\Gamma}^v$ é definido com base em dados que satisfazem $v^\top Y > 0$. Os autores também introduzem estimadores de conjunto (ensemble estimators) que realizam a média de $\hat{\Gamma}^v$ sobre uma coleção de vetores de direção $V$.

Contribuições e Resultados Principais

• Expressões de Forma Fechada: O artigo fornece fórmulas explícitas para o $v$-variograma $\Gamma^v$ para três grandes modelos paramétricos:
  • Logística: $\Gamma^v_{ij} = \theta^2 \psi^{(1)}(1 - v_i\theta) + \theta^2 \psi^{(1)}(1 - v_j\theta)$.
  • Dirichlet: $\Gamma^v_{ij} = \psi^{(1)}(\alpha_i + v_i) + \psi^{(1)}(\alpha_j + v_j)$.
  • Hüsler–Reiss: O $v$-variograma é invariante à escolha de $v$ e é igual à própria matriz de parâmetros $\Gamma$ ($\Gamma^v = \Gamma$).
• Densidade de Hüsler–Reiss e $v_0$: Para o modelo de Hüsler–Reiss, os autores mostram que escolher o vetor de curvatura de resistência $v_0$ resulta em uma expressão de densidade particularmente elegante, onde a função extremal-$v_0$ ($W^{v_0}$) segue uma distribuição Gaussiana centrada. Além disso, $v_0$ define o semi-espaço com a mínima massa de medida de expoente.
• Compromisso Viés-Variância (Bias-Variance Trade-off): Estudos de simulação revelam um pronunciado compromisso viés-variância dependente da escolha de $v$:
  • O condicionamento em vetores unitários canônicos (eixos padrão) produz estimadores com baixa variância, mas alto viés, pois estes semi-espaços contêm os maiores tamanhos de amostra esperados, mas podem incluir pontos de dados menos extremos.
  • O condicionamento no vetor de curvatura de resistência $v_0$ (ou sua aproximação $v^*_0$) produz estimadores com baixo viés, mas alta variância, visto que estes semi-espaços contêm menos observações, porém mais extremas.
  • A medida do semi-espaço $\Lambda(H_v)$ está fortemente correlacionada com tanto o viés quanto a variância dos estimadores.
• Estimadores de Conjunto (Ensemble Estimators): Os resultados de simulação demonstram que combinar informações através de múltiplas direções $v$ (estimadores de conjunto) reduz substancialmente o erro quadrático médio (MSE) em comparação com estimadores de vetor único. A composição ótima do conjunto depende do nível de limiar utilizado nos dados.

Significância
O artigo afirma que generalizar o condicionamento de semi-espaços alinhados aos eixos para direções arbitrárias fornece um framework mais flexível e estatisticamente robusto para a inferência em extremos multivariados. Ao caracterizar explicitamente o compromisso viés-variância induzido pela escolha da direção $v$, os autores mostram que nenhuma direção única é universalmente ótima. Em vez disso, o uso de estimadores de conjunto permite que os praticantes mitiguem as limitações das escolhas individuais, levando a uma melhoria na precisão da estimativa. A identificação do vetor de curvatura de resistência $v_0$ oferece uma direção teoricamente fundamentada que minimiza o viés, enquanto as representações de densidade derivadas para o modelo de Hüsler–Reiss fornecem novas ferramentas para modelagem estatística e inferência gráfica em extremos.