[논문 리뷰] Limit theorems with rate of convergence under sublinear expectations

Xiao Fang, Shigē Péng외 2명|arXiv (Cornell University)|2017. 11. 29.

Fuzzy Systems and Optimization참고 문헌 7인용 수 6

한 줄 요약

이 논문은 스틴의 방법과 G-정규 분포 근사법을 사용하여 하위선형 기대하에 대한 새로운 대수법칙과 중심극한정리, 그리고 수렴 속도의 명시적 비율을 도출한다. 주요 기여는 모델 불확실성 하에서 분포 극한의 수렴 속도를 정량화하는 데 있으며, 고전적 극한정리의 범위를 비선형 기대 프레임워크로 확장하여 강건한 통계적 의미를 부여한다.

ABSTRACT

Under the sublinear expectation $\mathbb{E}[\cdot]:=\sup_{θ\in Θ} E_θ[\cdot]$ for a given set of linear expectations $\{E_θ: θ\in Θ\}$, we establish a new law of large numbers and a new central limit theorem with rate of convergence. We present some interesting special cases and discuss a related statistical inference problem. We also give an approximation and a representation of the $G$-normal distribution, which was used as the limit in Peng (2007)'s central limit theorem, in a probability space.

연구 동기 및 목표

• 모델 불확실성을 모델링하는 하위선형 기대의 프레임워크로 고전적 극한정리—대수법칙과 중심극한정리—를 확장하기 위해.
• 하위선형 기대 하에서 이러한 극한정리의 수렴 속도를 명시적으로 도출하여 약한 수렴 결과를 넘어서기 위해.
• Peng의 중심극한정리의 실용적 적용을 가능하게 하기 위해 확률 공간 내에서 G-정규 분포의 엄밀한 근사 및 표현을 제공하기 위해.
• 분포의 모호성 하에서 통계적 추론 문제를 다루기 위해 표본 평균과 정규화된 합의 수렴 속도를 확립하기 위해.
• 비선형 기대 프레임워크를 통해 불확실성의 분석을 통합하고 수렴 행동을 정량화하기 위해.

제안 방법

• 스티븐의 방법을 사용하여 정규화된 합의 분포와 그 한계 G-정규 분포 사이의 거리에 대한 경계를 도출한다.
• G-정규 분포를 근사하고 오차 항을 제어하기 위해 시간에 따라 변화하는 분산을 갖는 확산 과정의 수열을 구성한다.
• G-열 방정식의 해 차이를 제어하기 위해 알렉산드로프-바켈만-푸키-크릴로프 최대원리( Aleksandrov-Bakel’man-Pucci-Krylov maximum principle)를 적용한다.
• 복소화를 사용하여 L² 공간 내에서 부드러운 함수 σn으로 σφ(t,x)의 분산 함수를 근사함으로써 PDE 해에서의 수렴을 보장한다.
• G-열 방정식 ∂tu − ½G(∂²xxu) = 0의 점성해를 사용하여 한계 분포 객체로 삼으며, 여기서 G(α) = ½(σ̄²α⁺ − σ̲²α⁻)이다.
• G-정규 분포를 가진 i.i.d. 랜덤 변수를 포함하는 커플링 추론을 통해 하위선형 기대 하에서의 기대값과 기준 하위선형 기대 하에서의 기대값 간의 등식을 확립한다.

실험 결과

연구 질문

• RQ1 기대값이 모호할 때 하위선형 기대 하에서 대수법칙의 수렴 속도는 무엇인가?
• RQ2 하위선형 기대 하에서 i.i.d. 랜덤 변수의 정규화된 합이 G-정규 분포로 수렴하는 속도는 얼마나 되는가?
• RQ3 표준 확률 공간 내에서 G-정규 분포를 근사하고 표현할 수 있는가, 이를 통해 실용적인 통계적 추론이 가능해지는가?
• RQ4 스티븐의 방법은 비선형 기대에 얼마나 잘 적응하여 분포 수렴의 정량적 경계를 제공하는가?
• RQ5 수렴 경계는 기본 랜덤 변수의 모멘트와 분산 범위 [σ̲, σ̄]에 따라 어떻게 의존하는가?

주요 결과

• 논문은 리프시츠 함수에 대해 O(1/√n)의 수렴 속도를 갖는 하위선형 기대 하에서의 새로운 대수법칙을 수립하였으며, 페ング(2010)의 약한 수렴 결과를 향상시켰다.
• O(1/√n)의 수렴 속도를 갖는 중심극한정리가 도출되었으며, 이는 정규화된 합이 이 속도로 G-정규 분포로 수렴함을 보여주며, 스틴의 방법을 통해 명시적인 경계가 제공된다.
• G-정규 분포는 랜덤 분산을 갖는 확산 과정의 수열의 약한 극한으로 표현되며, 부드러운 분산 함수의 수열을 사용하여 확률 공간 내에서 근사된다.
• G-열 방정식의 해는 한계 분포를 특징짓는 데 사용되며, 분산 계수의 변형 하에서 최대원리를 통해 해의 수렴성이 증명된다.
• 수렴 속도가 진짜와 근사된 분산 함수 간의 L² 노름에 의존하며, 근사의 부드러움이 향상될수록 오차가 감소함을 보였다.
• 정량적 경계를 제공함으로써 고전적 극한정리를 모델 불확실성으로 확장하여, 모호한 분포 하에서 강건한 통계적 추론을 가능하게 하였다.