[論文レビュー] General Covariance-Based Conditions for Central Limit Theorems with Dependent Triangular Arrays

Arun G. Chandrasekhar, Matthew O. Jackson+2 more|arXiv (Cornell University)|Aug 24, 2023

Statistical Methods and Bayesian Inference被引用数 6

ひとこと要約

本稿では、スティンの方法を用いて導出された簡単で解釈可能な共分散に基づく条件を用いて、従属的な三角配列に対する新しい中心極限定理を提示する。この定理は、$M$-依存、混合場、自己回帰過程、依存性グラフといった既存の従属構造を統合・一般化し、処理効果に伝搬がある場合、疫学的モデル、マトゥルン共分散を有する空間過程など、グローバルまたは複雑な従属構造を有する設定においても漸近正規性を可能にする。

ABSTRACT

We present a general central limit theorem with simple, easy-to-check covariance-based sufficient conditions for triangular arrays of random vectors when all variables could be interdependent. The result is constructed from Stein's method, but the conditions are distinct from related work. We show that these covariance conditions nest standard assumptions studied in the literature such as $M$-dependence, mixing random fields, non-mixing autoregressive processes, and dependency graphs, which themselves need not imply each other. This permits researchers to work with high-level but intuitive conditions based on overall correlation instead of more complicated and restrictive conditions such as strong mixing in random fields that may not have any obvious micro-foundation. As examples of the implications, we show how the theorem implies asymptotic normality in estimating: treatment effects with spillovers in more settings than previously admitted, covariance matrices, processes with global dependencies such as epidemic spread and information diffusion, and spatial process with Matérn dependencies.

研究の動機と目的

• 任意の従属構造を有する三角配列のランダムベクトルにおいて、一般的で解釈可能な中心極限定理の枠組みを構築すること。
• 強力な混合や空間埋め込みといった制限的で正当性が難しい従属仮定（例：強い混合、空間的埋め込み）を、高水準で直感的な共分散に基づく条件に置き換えること。
• 従来の条件が失敗する、グローバル従属や非混合過程（例：疫学的拡散、ネットワーク伝搬）のような設定においても、漸近正規性を可能にすること。
• 従属構造のマイクロフォンダショナルな基礎を必要とせず、既存の従属モデルを統合・拡張する理論的基盤を提供すること。
• 応用計量経済学、空間統計、ネットワーク解析において、漸近正規性の検証を簡素化することで、頑健な推論を促進すること。

提案手法

• スティンの方法を用いて中心極限定理を導出し、標準正規分布 $Y$ に対して $\mathbb{E}[Y f(Y)] = \mathbb{E}[f'(Y)]$ を満たすスティン方程式に焦点を当てる。
• 従属的な三角配列の漸近正規性を示す、検証が容易な3つの高水準の共分散に基づく条件を導入する。
• 局所的従属性が強い変数をグループ化するためのアフィニティ集合 $\mathcal{A}_i^n$ を用い、クロス項の共分散を制御する。
• $K = o(n)$ および $\Omega_n = \left(\sum_i \sum_{j \in \mathcal{A}_i^n} \mathbb{E}[Z_i Z_j]\right)^{1/2}$ を含むレートの議論を用いて、高次モーメントをバインドし、収束を保証する。
• 一様有界性およびモーメント条件（例：有限な4次モーメント）を用いて、尾部の挙動および条件付き期待値を制御する。
• これらの条件は、$M$-依存、混合場、依存性グラフといった標準的モデルを含意するが、それらを含意しないことの証明も行う。

実験結果

リサーチクエスチョン

• RQ1 制限的で正当性が難しい混合や構造的仮定を必要とせず、任意の従属構造を有する三角配列に対して、一般的で解釈可能な漸近正規性の条件を導出できるか？
• RQ2 提案された共分散に基づく条件は、$M$-依存、混合ランダム場、依存性グラフといった既存の従属モデルを統合または包含するか？
• RQ3 従来の混合条件が失敗する、非減衰的またはグローバル従属を有する設定（例：疫学的拡散、ネットワーク伝搬）に対しても、この定理を適用できるか？
• RQ4 マルティングルや強い混合構造が成立しない状況において、スティンの方法の枠組みが、これらの一般的共分散条件のもとで中心極限定理を導出できるか？
• RQ5 マトゥルン空間過程やニューラルネットワークGLS推定量といった複雑なモデルにおいて、これらの条件は実務的に検証可能か？

主な発見

• 提案された共分散に基づく条件は、任意の従属構造（非混合およびグローバル従属過程を含む）を有する三角配列において、漸近正規性を満たすのに十分である。
• これらの条件は、$M$-依存、混合ランダム場、非混合自己回帰過程、依存性グラフといったモデルでも満たされ、それらは互いに包含関係にない。
• 従来の条件が失敗する、すべての変数が相関するような伝搬効果の推定においても、この定理は漸近正規性を可能にする。
• 長距離依存性が標準的な混合仮定を破るマトゥルン共分散を有する空間過程に対しても、この方法は適用可能である。
• 共分散行列推定の設定において、条件付き期待値項が $\Omega_n$ に対して $o(nK)$ のスケーリングを示すことが確認され、収束が保証される。
• この枠組みは、空間的埋め込みなどのマイクロフォンダショナルな従属構造に依存せず、応用研究におけるより柔軟な代替手段を提供する。