[논문 리뷰] Adaptive wavelet estimation of a compound Poisson process

Céline Duval|arXiv (Cornell University)|2012. 03. 14.

Statistical Methods and Inference참고 문헌 10인용 수 6

한 줄 요약

이 논문은 이산적이고 점점 빈도가 높아지는 간격에서 관측된 복합 포아송 과정의 점프 밀도를 위한 적응형 웨이블릿 임계값 추정기법을 제안한다. 복합화 연산자의 역연산을 타일러 전개를 통해 역산하고, 추정된 증분에 웨이블릿 임계값을 적용함으로써, $L_p$ 손실에 대해 베소프 공간에서 최소최대 최적 수렴 속도를 달성한다. 이는 $T\Delta_T^{2K+2} \leq 1$ 를 만족하는 어떤 $K \geq 1$ 에 대해서도 샘플링 속도 $\Delta_T$ 가 $T$ 에 대해 다항적으로 느리게 감소하더라도 성립한다. 추정기법은 알려지지 않은 스무스니스에 적응하고 데이터 기반 추정을 통해 알려지지 않은 강도 $\vartheta$ 를 처리한다.

ABSTRACT

We study the nonparametric estimation of the jump density of a compound Poisson process from the discrete observation of one trajectory over $[0,T]$. We consider the microscopic regime when the sampling rate $Δ=Δ_T ightarrow0$ as $T ightarrow\infty$. We propose an adaptive wavelet threshold density estimator and study its performance for the $L_p$ loss, $p\geq 1$, over Besov spaces. The main novelty is that we achieve minimax rates of convergence for sampling rates $Δ_T$ that vanish with $T$ at arbitrary polynomial rates. More precicely, our estimator attains minimax rates of convergence provided there exists a constant $K\geq 1$ such that the sampling rate $Δ_T$ satisfies $TΔ_T^{2K+2}\leq 1.$ If this condition cannot be satisfied we still provide an upper bound for our estimator. The estimating procedure is based on the inversion of the compounding operator in the same spirit as Buchmann and Grübel (2003).

연구 동기 및 목표

• 이산적이고 고주파 관측 자료로부터 복합 포아송 과정의 점프 밀도에 대한 비모수적 적응형 웨이블릿 추정기법을 개발한다.
• 샘플링 속도 $\Delta_T \to 0$ 가 $T \to \infty$ 일 때, 베소프 공간에서 $L_p$ 손실에 대해 최소최대 최적 수렴 속도를 달성한다.
• 기존 결과를 $T\Delta_T \leq 1$ 와 같은 제한적인 조건을 초월하여, $\Delta_T$ 가 임의로 느리게 다항적으로 감쇠하는 경우에도 허용하도록 확장한다.
• 강도 $\vartheta$ 가 알려지지 않은 경우 데이터로부터 추정함으로써 이를 처리한다.

제안 방법

• 복합화 연산자 $f \mapsto \mathbf{P}_\Delta[f]$ 의 역연산을 $\Delta$ 에 대해 $K$ 차수 타일러 전개를 사용하여 역산하고, $\mathbf{L}_{\Delta,K}$ 를 얻는다. 이는 $\mathbf{P}_\Delta^{-1}$ 를 근사한다.
• 역연산자는 $\mathbf{P}_\Delta^{-1}[\nu] = \sum_{m \geq 1} a_m(\vartheta, \Delta) \nu^{\star m}$ 로 표현되며, 계수 $a_m$ 은 명시적으로 유도되며 $\vartheta$ 와 $\Delta$ 에 따라 달라진다.
• 추정기 $\widehat{f}^K_{T,\Delta_T}(\widehat{\vartheta})$ 는 이산 경로에서의 비영 증분에 기반하여 $\mathbf{P}_\Delta[f]^{\star m}$ 의 경험적 추정치에 웨이블릿 임계값을 적용함으로써 구성된다. 여기서 $m=1,\dots,K+1$ 이다.
• 강도 $\vartheta$ 는 비영 증분 수 $N_T$ 에 기반하여 $\widehat{\vartheta} = N_T / T$ 를 사용하여 추정되며, 미세구조 조건 하에서 일致성이 확보된다.
• 편향과 분산을 줄이기 위해 탈복합화된 증분에 웨이블릿 임계값을 적용하고, 임계값은 데이터와 스무스니스 수준에 따라 적응적으로 선택된다.
• 이론적 성능 분석은 모멘트 한계와 로젠탈 부등식을 사용하여 $L_p$ 리스크를 제어함으로써 수행되며, 조건 $T\Delta_T^{2K+2} \leq 1$ 하에 최소최대 최적성에 도달한다.

실험 결과

연구 질문

• RQ1 샘플링 속도 $\Delta_T$ 가 $T$ 에 대해 다항적으로 느리게 감소할 때, 복합 포아송 과정의 점프 밀도에 대해 적응형 웨이블릿 추정기법이 최소최대 수렴 속도를 달성할 수 있는가?
• RQ2 미세구조 조건 $\Delta_T \to 0$ 가 $T \to \infty$ 일 때, $T\Delta_T^{2K+2} \leq 1$ 이 되는 임의의 $K \geq 1$ 에 대해 최소최대 최적성을 유지할 수 있는가?
• RQ3 모르고 있는 강도 $\vartheta$ 와 이산적이고 고주파 관측 자료가 존재하는 조건에서 복합화 연산자를 어떻게 안정적으로 역연산할 수 있는가?
• RQ4 모르고 있는 스무스니스 수준에 대해 베소프 공간에서 점프 밀도에 대해 적응할 수 있고, 최적의 $L_p$ 수렴 속도를 유지할 수 있는가?

주요 결과

• 제안된 웨이블릿 임계값 추정기법은 $T\Delta_T^{2K+2} \leq 1$ 를 만족하는 어떤 $K \geq 1$ 에 대해서도, $\Delta_T$ 가 임의로 느리게 다항적으로 감소하더라도, 베소프 공간에서 $L_p$ 손실에 대해 최소최대 최적 수렴 속도를 달성한다.
• 추정기법은 $T$ 개의 i.i.d. 표본에서 $f$ 를 관측할 수 있는 경우와 동일한 속도인 고전적 최소최대 속도 $T^{-\alpha(s,\pi,p)}$ 를 상수와 로그 인자 수준에서 달성한다.
• $L_p$ 리스크는 $\mathfrak{C}(T^{-(1-1/(2p))} + T^{-1/2})$ 로 유계화되며, 이는 $\alpha(s,p,\pi) \leq 1/2$ 이므로 최소최대 속도 $T^{-\alpha(s,p,\pi)}$ 에 비해 무시할 수 있다.
• 강도 $\vartheta$ 는 $\widehat{\vartheta} = N_T / T$ 를 통해 일관되게 추정되며, 이에 기반한 추정기법은 여전히 적응적이고 최소최대 최적이다.
• $T\Delta_T^{2K+2} > 1$ 인 경우에도 이 방법은 리스크에 비현실적인 상한선을 제공하여 느린 샘플링에 대한 강건성을 보여준다.
• 이론적 분석은 복합화 연산자의 푸리에 역변환과 로젠탈 부등식을 통한 모멘트 한계에 기반하며, 탈복합화 단계에서의 확률적 오차를 제어함으로써 안정성을 확보한다.