Скошенно-нормальная модель для треугольных данных в символьном анализе проверена на климатических данных
Авторы предлагают байесовскую и частотную оценку параметров треугольных данных, где помимо границ задана мода; метод проверен в симуляциях и на реальных климатических данных.

Работа, о которой сообщает Discover Data, описывает способ моделирования треугольных данных в рамках логического вывода символьного анализа данных (Symbolic Data Analysis, SDA). Треугольные данные расширяют обычные интервальные данные: к границам добавляется мода значений. Авторы оценивают параметры байесовским методом Монте-Карло по марковским цепям (MCMC) и частотными методами, используя скошенно-нормальное и обобщённое распределения Уишарта. Оценки проверены в симуляциях, а сам подход применён к реальным климатическим данным springer.com
Discover Dataspringer.comОткрыть источник ↗.
Зачем нужна мода
Ранее выводы по интервальным данным в основном опирались на середины интервалов и дисперсии в рамках многомерной нормальной модели Уишарта. Такие модели предполагают равномерное и симметричное распределение значений внутри интервала, что, по словам авторов, часто не отражает реальную структуру интервалов. Примеры асимметричных явлений — суточные изменения погоды и доходности финансовых активов.
Треугольное наблюдение — это тройка: минимум, мода и максимум. Треугольное распределение ограничено и унимодально, а его моменты низших порядков имеют аналитические выражения, поэтому функции правдоподобия и байесовские апостериорные распределения выводятся напрямую. Тройка наблюдается непосредственно, поэтому подход обходит проблему идентифицируемости, возникающую при оценке внутренней плотности только по двум границам. Каждая тройка преобразуется во внутреннее среднее, равное трети суммы трёх значений, и ковариационную матрицу, диагональные элементы которой считаются по квадратам и попарным произведениям трёх значений, делённым на восемнадцать. Если мода лежит точно посередине между границами, распределение симметрично, и классических нормальной модели и модели Уишарта может быть достаточно.
Модель и оценивание
Векторы средних описываются многомерным скошенно-нормальным распределением с вектором положения, полной симметричной положительно определённой матрицей масштаба и вектором асимметрии. Недиагональная матрица масштаба учитывает зависимости между переменными. Матрицы дисперсии описываются обобщённым распределением Уишарта, где параметр степеней свободы d может быть любым положительным вещественным числом, а не только целым springer.com
Discover Dataspringer.comОткрыть источник ↗.
Совместный логарифм правдоподобия не имеет решения в замкнутой форме, поэтому оценки максимального правдоподобия находят численно; для этого авторы разработали специальный алгоритм оптимизации. Модели сравниваются по байесовскому фактору. По сообщению авторов, анализ реальных климатических данных показывает универсальность и точность модели. Числовых результатов сравнения в материале нет.



