点过程学习及其特例Takacs-Fiksel估计的比较

最近，Cronie等人（2024）引入了点过程交叉验证的概念和一种称为点过程学习（PPL）的新统计方法。在PPL中，将一个点过程/模式分成训练集和验证集，然后通过参数化的Papangelou条件强度从前者预测后者。通过最小化点过程预测误差来估计模型参数；这一概念被引入作为PPL的第二个构建块。研究表明，PPL在核强度估计和Gibbs硬核过程参数估计方面均优于现有技术。在后一种情况下，现有技术由伪似然估计代表。本文研究了PPL与Takacs-Fiksel估计的关系，其中伪似然是Takacs-Fiksel估计的一个特例。我们证明，Takacs-Fiksel估计是PPL的一个特例，即具有特定损失函数的PPL在渐近意义上简化为Takacs-Fiksel估计，如果让交叉验证机制趋向于留一法交叉验证。此外，PPL涉及一种由权重函数给出的超参数，该权重函数确保当且仅当参数化正确时，预测误差的期望为零。我们证明，对于一般的Gibbs模型，权重函数具有显式但难以处理的形式。因此，我们提出了在实践中估计权重函数的不同方法。为了评估一般PPL设置与其特例Takacs-Fiksel估计相比的性能，我们进行了模拟研究，发现对于常见的Gibbs模型，我们可以找到损失函数和超参数，使得PPL在均方误差方面通常显著优于Takacs-Fiksel估计。这里，超参数是交叉验证参数和权重函数估计。