[論文レビュー] Mixing it up: A general framework for Markovian statistics beyond reversibility and the minimax paradigm

Niklas Dexheimer, Claudia Strauch+1 more|arXiv (Cornell University)|Oct 31, 2020

Statistical Methods and Inference参考文献 20被引用数 6

ひとこと要約

本稿は、混合性に基づく一般化されたマーカフ過程統計枠組みを導入し、可逆的拡散過程にとどまらない連続時間過程におけるロバストな非パラメトリック推論を可能にする。混合性を用いて分散およびモーメントの上限を確立することで、非可逆的・ジャンプ付き拡散過程およびレヴィ駆動過程におけるカーネル不変密度推定の最適収束速度を導出し、最小最大最適性をより広範なモデルクラスへ拡張する。

ABSTRACT

Up to now, the nonparametric analysis of multidimensional continuous-time Markov processes has focussed strongly on specific model choices, mostly related to symmetry of the semigroup. While this approach allows to study the performance of estimators for the characteristics of the process in the minimax sense, it restricts the applicability of results to a rather constrained set of stochastic processes. In particular, among other drawbacks, it hardly allows incorporating jump structures. As a consequence, for many models of applied and theoretical interest, no statement can be made about the robustness of typical statistical procedures beyond the beautiful, but limited framework available in the literature. This motivates us to go a different route, by not asking what rate-optimal results can be obtained for a specific type of Markov process, but what are the essential stability properties required in general that allow building a rigorous and robust statistical theory upon. We provide an answer to this question by showing that mixing properties are sufficient to obtain deviation and moment bounds for integral functionals of general Markov processes. Together with some unavoidable technical but not structural assumptions on the semigroup, these allow to derive convergence rates for kernel invariant density estimation which are known to be optimal in the much more restrictive context of reversible continuous diffusion processes, thus indicating the potential comprehensiveness of the mixing framework for various statistical purposes. We underline the usefulness of our general modelling idea by establishing new upper bounds on convergence rates of kernel invariant density estimation for scalar Levy-driven OU processes and multivariate Levy jump diffusions, both for the pointwise $L^2$-risk and the $\sup$-norm risk, by showing how they can be seamlessly integrated into our framework.

研究の動機と目的

• 既存の最小最大理論の制限を克服すること。この理論は可逆的拡散過程に限定されており、ジャンプ構造を含まない。
• 一般マーカフ過程におけるロバストな非パラメトリック統計理論を可能にする、本質的な安定性特性（特に混合性）を同定すること。
• 可逆的拡散過程の制限された設定を超えて、カーネル不変密度推定の収束速度結果を拡張すること。
• スカラーレヴィ駆動オーナン・ウーレンバック過程および多次元レヴィジャンプ拡散過程に適用可能な統一的枠組みを提供すること。
• 非可逆的でジャンプを伴うモデルにおける不変密度推定の $L^2$-リスクおよび $ackslashsup$-ノルムリスクに対する新たな上界を確立すること。

提案手法

• マーカフ半群の混合性を利用し、過程の積分関数への一様分散およびモーメントの上限を導出する。
• 半群に技術的だが構造的でない仮定を課し、推定枠組みにおける正則性と安定性を保証する。
• 導出された上限を用いてカーネルベースの不変密度推定を分析し、可逆的拡散過程の場合に最適な収束速度が得られることを証明する。
• スカラーレヴィ駆動オーナン・ウーレンバック過程へのフレームワークの拡張において、混合性条件の検証と $L^2$-リスクの上限の導出を行う。
• 多次元レヴィジャンプ拡散過程の分析において、混合性およびモーメント条件を確立し、$ackslashsup$-ノルムリスクの上限を導出する。
• 構造的および確率的解析を通じて、ジャンプ付き拡散過程およびレヴィ過程が混合性に基づく一般枠組みに滑らかに統合されることを示す。

実験結果

リサーチクエスチョン

• RQ1 一般マーカフ過程における統計理論を可逆的拡散の設定を超えてロバストに可能にするために、最小限の安定性条件とは何か？
• RQ2 混合性が、非可逆的およびジャンプ付き拡散過程におけるカーネル不変密度推定の最適収束速度を保証するのに十分か？
• RQ3 ジャンプ成分および非可逆的ダイナミクスを有するモデルへ、カーネル密度推定の最小最大最適性をどのように拡張できるか？
• RQ4 提案された枠組み下で、スカラーレヴィ駆動オーナン・ウーレンバック過程における不変密度推定の $L^2$-リスクおよび $ackslashsup$-ノルムリスクの上限は何か？
• RQ5 多次元レヴィジャンプ拡散過程は、混合性に基づく一般統計枠組みにどの程度まで統合可能か？

主な発見

• 混合性は、一般マーカフ過程の積分関数に対する一様分散およびモーメントの上限を導出するのに十分であり、統計的推論の基盤を形成する。
• このフレームワークは、可逆的拡散過程の場合に既知の最小最大最適収束速度と一致する収束速度をもたらし、広範な適用可能性を示す。
• 混合性フレームワークを用いて、スカラーレヴィ駆動オーナン・ウーレンバック過程における不変密度推定の $L^2$-リスクに対する新たな上界が確立された。
• このフレームワークは、多次元レヴィジャンプ拡散過程を効果的に扱い、不変密度推定の $ackslashsup$-ノルムリスクに対する新たな上界を導出した。
• 本アプローチにより、対称性および可逆性の制約により従来の最小最大ロバスト理論から除外されていたジャンプ構造を有する過程の統計的分析が可能になった。
• 非可逆的およびジャンプを伴う過程が、混合性に基づくアプローチに滑らかに統合されることを示し、そのロバスト性および一般性を実証した。