고임계값 초과를 활용한 공간 최대안정 모델 추정법

초록

본 논문은 연간 블록 최대값 대신 일일 데이터의 고임계값 초과를 이용해 공간 최대안정 프로세스의 파라미터를 추정하는 두 가지 복합우도 방법을 제안한다. 하나는 Ledford‑Tawn(1996)의 꼬리 근사에 기반하고, 다른 하나는 Rootzen‑Tajvidi(2006)의 이변량 일반화 파레토(GPD) 확장을 적용한다. 시뮬레이션을 통해 공간 의존도와 임계값 선택이 추정 정확도에 미치는 영향을 평가하고, 상황에 따라 최적의 방법을 제시한다.

상세 분석

공간 최대안정 과정은 극값 이론에서 가장 일반적인 모델링 도구이지만, 그 전역가능도는 다변량 밀도함수가 알려지지 않아 직접적인 최대우도 추정이 불가능하다. 기존 연구에서는 블록 최대값(보통 연간 최대)만을 이용한 쌍별 복합우도(composite likelihood) 접근법을 제시했으며, 이는 데이터 활용 효율성이 낮고, 서로 다른 위치에서 최대값이 동시에 발생하는지 여부를 반영하지 못한다는 한계가 있다. 일일 관측치가 충분히 확보된 경우, 고임계값을 초과하는 사건을 이용해 더 풍부한 정보를 끌어낼 수 있다. 논문에서는 두 가지 쌍별 초과치 기반 복합우도 방법을 비교한다. 첫 번째는 Ledford와 Tawn이 제안한 꼬리 근사식으로, 두 관측치가 모두 임계값을 초과할 때의 이변량 꼬리 의존 구조를 근사한다. 이 접근법은 초과치가 드물어야 하는 상황에서 편향을 최소화하지만, 두 변수 모두 초과해야 하므로 데이터 손실이 발생한다. 두 번째는 Rootzen과 Tajvidi가 제시한 이변량 일반화 파레토 분포 확장으로, 최소 하나의 변수가 임계값을 초과하면 그 쌍을 모델링한다. 이는 더 많은 쌍을 활용할 수 있어 효율성이 높지만, 초과치가 한쪽에만 존재할 때의 조건부 분포 가정이 정확해야 한다는 전제가 있다. 논문은 다양한 공간 의존도(약, 중, 강)와 임계값(0.90, 0.95, 0.99 분위수) 설정 하에서 시뮬레이션을 수행해 두 방법의 평균제곱오차, 편향, 분산을 비교한다. 결과는 공간 의존도가 강하고 임계값이 낮을수록 Rootzen‑Tajvidi 기반 방법이 우수하며, 반대로 의존도가 약하고 임계값이 높을수록 Ledford‑Tawn 접근법이 더 안정적인 추정치를 제공한다는 점을 보여준다. 이러한 발견은 실제 기후·수문 데이터에서 적절한 추정 전략을 선택하는 데 실용적인 가이드라인을 제공한다.