[논문 리뷰] Fractional absolute moments of heavy tailed distributions

Muneya Matsui, Zbyněk Pawlas|arXiv (Cornell University)|2013. 01. 21.

Statistical Distribution Estimation and Applications참고 문헌 21인용 수 5

한 줄 요약

이 논문은 분수계산, 특히 라플라스 변환과 특성 함수에 적용된 마르샤르드 도함수를 사용하여 무거운 尾 분포에서 분수적 절대모멘트를 계산하기 위한 분석적 방법을 개발한다. 이는 $1 < \gamma < 2$의 순서에 대해 이루어지며, 안정, 파레토, 기하적 안정, 리니크 분포에 대해 명시적인 표현을 유도하고, $0 < p < 2$에서 $L^p$ 손실 기반 예측 및 추정 오차를 정량화하는 데 응용한다. 이로써 분산이 무한대인 설정에서의 회귀 및 모수 추정에 대해 닫힌 형태의 오차 한계를 제공한다.

ABSTRACT

Several convenient methods for calculation of fractional absolute moments are given with application to heavy tailed distributions. We use techniques of fractional differentiation to obtain formulae for $E[|X-μ|^γ]$ with $1

연구 동기 및 목표

• 무한 분산을 가진 무거운 尾 분포에서 분수 절대모멘트에 대한 분석적 도구의 부족을 해결하기 위해.
• 라플라스 변환과 특성 함수를 사용하여 $\mathbb{E}[|X - \mu|^\gamma]$를 계산하기 위한 편리하고 다루기 쉬운 방법을 개발하기 위해.
• 분수 모멘트 이론을 활용해 분산이 무한대인 모델에서의 예측 및 추정 오차를 평가하기 위해, 특히 선형 회귀 및 모수 추정에서의 응용을 위해.
• 안정, 파레토, 기하적 안정, 리니크와 같은 주요 무거운 尾 분포에서 분수 모멘트에 대한 명시적인 분석적 표현을 제공하기 위해.

제안 방법

• 특성 함수 또는 분포의 라플라스 변환에 분수계수 $\gamma = 1 + \lambda$, $0 < \lambda < 1$의 마르샤르드 분수도함수를 적용한다.
• 분수 절대모멘트를 계산하기 위한 공식 $\frac{d^{1+\lambda}}{dt^{1+\lambda}}f(t)\big|_{t=0} = \frac{\lambda}{\Gamma(1-\lambda)} \int_0^\infty \frac{f'(0) - f'(-u)}{u^{1+\lambda}} du$ 를 유도한다.
• 특성 함수를 소규모 점프가 있는 부분과 없는 부분으로 분해하여 무한히 나누어진 분포에 이 те올리를 적용한다.
• $\int_{|x|>1} |x|^{1+\lambda} \nu(dx)$ 의 적분 가능성 조건을 통해 $\mathbb{E}[|X|^{1+\lambda}]$ 가 존재하는 데 필요한 필요충분조건을 설정한다. 여기서 $\nu$ 는 Lévy 측도이다.
• Fubini 정리와 $\int_0^\infty \frac{1 - \cos v}{v^{2+\lambda}} dv$ 및 $\int_0^\infty \frac{|\sin v|}{v^{2+\lambda}} dv$ 와 같은 적분 항등식을 사용하여 모멘트 존재성과 Lévy 측도의 행동 간의 관계를 규명한다.
• 복합 포아송 및 타원형으로 둘러싸인 안정 모델에 결과를 적용하여 선형 추정자에 대한 명시적인 오차 표현식을 도출한다.

실험 결과

연구 질문

• RQ1 무한 분산을 가진 무거운 尾 분포에서 순서 $1 < \gamma < 2$ 의 분수 절대모멘트를 효율적으로 계산하는 방법은 무엇인가?
• RQ2 특성 함수의 분수 도함수와 분수 절대모멘트 사이의 관계는 무엇인가?
• RQ3 무한히 나누어진 분포에서 $\mathbb{E}[|X|^{1+\lambda}]$ 가 존재하는 조건은 무엇인가?
• RQ4 안정, 파레토, 기하적 안정, 리니크 분포에서 분수 절대모멘트에 대한 명시적인 표현은 무엇인가?
• RQ5 무한 분산 설정에서 $0 < p < 2$ 조건 하에 분수 $L^p$ 손실을 사용하여 예측 및 추정 오차를 정량화하는 방법은 무엇인가?

주요 결과

• 특성 함수 $\mathbb{E}[e^{i\boldsymbol{t}'\boldsymbol{\varepsilon}}] = e^{-|\boldsymbol{t}'\boldsymbol{I}\boldsymbol{t}|^{\alpha/2}}$ 를 가진 안정 오차 벡터 $\boldsymbol{\varepsilon}$ 에 대해, 추정자 오차의 $1+\lambda$-번째 모멘트는 $\mathbb{E}[|\widehat{\theta}_k - \theta_k|^{1+\lambda}] = \frac{\lambda \Gamma(1 - \frac{1+\lambda}{\alpha})}{\sin(\frac{\lambda\pi}{2}) \Gamma(1 - \lambda)} \overline{\sigma}_k^{1+\lambda}$ 이며, $1 < 1+\lambda < \alpha$, $k=0,1$ 조건을 만족한다.
• 특성 함수 $\mathbb{E}[e^{i\boldsymbol{t}'\boldsymbol{\varepsilon}}] \,= \{1 + (\boldsymbol{t}'\boldsymbol{I}\boldsymbol{t})^{\alpha/2}\}^{-\beta}$ 를 가진 다변량 리니크 벡터에 대해 오차 모멘트는 $\mathbb{E}[|\widehat{\theta}_k - \theta_k|^{1+\lambda}] = \frac{\lambda \beta B(1 - \frac{1+\lambda}{\alpha}, \beta + \frac{1+\lambda}{\alpha})}{\sin(\frac{\lambda\pi}{2}) \Gamma(1 - \lambda)} \overline{\sigma}_k^{1+\lambda}$, $k=0,1$ 이며, $1 < 1+\lambda < \alpha$ 조건을 만족한다.
• 무한히 나누어진 분포에서 $\mathbb{E}[|X|^{1+\lambda}]$ 가 존재하는 것은 $|x| > 1$ 영역에서 $|x|^{1+\lambda}$ 가 Lévy 측도 $\nu$ 에 대해 적분 가능할 때와 동치이다.
• 분수 절대모멘트 $\mathbb{E}[|X|^{1+\lambda}]$ 는 특성 함수의 0에서의 분수도함수로 표현될 수 있으며, 이는 많은 경우 수치적 적분 없이도 분석적으로 계산 가능하게 한다.
• 복합 포아송 모델에서는 설계 행렬과 오차 구조에 따라 $\mathbb{E}[|\widehat{\theta}_k - \theta_k|^{1+\lambda}]$ 의 명시적 표현을 도출하였으며, 이는 $\sigma_k^{1+\lambda}$ 에 의존함을 보였다.
• 이 방법은 $0 < p < 2$ 조건에서 $L^p$ 예측 및 추정 오차를 계산하기 위한 체계적인 프레임워크를 제공하며, 기존의 $L^2$ 기반 방법을 분산이 무한대인 설정으로 확장한다.