[논문 리뷰] New Dirichlet Mean Identities

Lancelot F. James|arXiv (Cornell University)|2007. 08. 04.

Bayesian Methods and Mixture Models참고 문헌 31인용 수 7

한 줄 요약

이 논문은 서로 관련이 없는 Dirichlet 평균과 일반화된 감마 복합(GGC) 과정 간의 숨겨진 관계를 드러내기 위해 독립적인 베타 변수로 Dirichlet 평균을 곱하는 분포적 연산과 Esscher 변환을 통한 지수 기울임(exponential tilting)이라는 두 가지 분포적 연산을 도입한다. 주요 기여는 한 Dirichlet 평균에 대해 알려진 분석 결과를 활용하여 관련된 랜덤 변수 전체 집합과 그에 대응하는 Lévy 과정의 명시적 밀도를 도출하는 통합 프레임워크를 제공하는 것이다. 특히 베이지안 비모수 모델과 무한가능분포(infinitely divisible distributions)의 맥락에서 중요한 의미를 가진다.

ABSTRACT

An important line of research is the investigation of the laws of random variables known as Dirichlet means as discussed in Cifarelli and Regazzini(1990). However there is not much information on inter-relationships between different Dirichlet means. Here we introduce two distributional operations, which consist of multiplying a mean functional by an independent beta random variable and an operation involving an exponential change of measure. These operations identify relationships between different means and their densities. This allows one to use the often considerable analytic work to obtain results for one Dirichlet mean to obtain results for an entire family of otherwise seemingly unrelated Dirichlet means. Additionally, it allows one to obtain explicit densities for the related class of random variables that have generalized gamma convolution distributions, and the finite-dimensional distribution of their associated Lévy processes. This has implications in, for instance, the explicit description of Bayesian nonparametric prior and posterior models, and more generally in a variety of applications in probability and statistics involving Levy processes.

연구 동기 및 목표

• 서로 다른 Dirichlet 평균 간의 숨겨진 관계를 분포적 연산을 통해 규명하는 것.
• 한 Dirichlet 평균에 대해 알려진 분석 결과를 변환 기법을 통해 관련된 랜덤 변수 전체 집합으로 확장하는 것.
• 일반화된 감마 복합(GGC) 분포를 따르는 랜덤 변수와 그에 대응하는 Lévy 과정의 명시적 확률밀도함수를 도출하는 것.
• 특히 α 계열에 속하는 GGC 서브오르도레이터(subordinators)와 연결된 유한차원 분포를 체계적으로 계산하는 방법을 제공하는 것.
• 예를 들어 Σα(t) 서브오르도레이터에 이러한 연산을 적용하여 밀도와 변환에 대한 폐쇄형 표현식을 도출하는 것.

제안 방법

• 독립적인 베타 랜덤 변수로 Dirichlet 평균을 곱하는 분포적 연산을 도입하여 새로운 관련 평균 기능을 생성하는 것.
• 일반화된 감마 복합(GGC) 분포를 따르는 랜덤 변수의 밀도에 지수 기울임(즉, Esscher 변환)을 적용하여 새로운 분포와 관계를 도출하는 것.
• Markov-Krein 항등식과 Cauchy-Stieltjes 변환을 사용하여 Dirichlet 평균의 분포적 성질을 그들의 기본 Lévy 측도와 연결하는 것.
• 베타-감마 대수와 베타 및 감마 분포의 성질을 활용하여 스토케스틱 표현을 도출하는 것. 예를 들어, Σα(t) d= G1 × M1(FYσ/𝐺𝛼).
• 정리 2.2를 사용하여 M1(FYσ/𝐺𝛼)의 밀도를 도출하며, 누적분포함수의 사인과 지수 기울임 항을 활용하는 것.
• 서브오르도레이터 표현과 GGC 구조의 결과를 결합하여 t ≤ 1/(1−α) 범위에서 Σα(t)의 유한차원 분포를 특성화하는 것.

실험 결과

연구 질문

• RQ1 독립적인 베타 랜덤 변수로 곱하는 것은 서로 다른 Dirichlet 평균 간의 숨겨진 관계를 어떻게 드러내는가?
• RQ2 일반화된 감마 복합(GGC) 랜덤 변수의 분포에 대해 지수 기울임(즉, Esscher 변환)이 미치는 영향은 무엇인가?
• RQ3 GGC 서브오르도레이터 Σα(t)의 유한차원 분포는 변환 기법을 통해 명시적으로 특성화될 수 있는가?
• RQ4 σ ∈ (0,1] 인 경우, 평균 기능 M1(FYσ/𝐺𝛼)의 폐쇄형 밀도는 무엇인가?
• RQ5 Cauchy-Stieltjes 변환과 Markov-Krein 항등식은 관련된 Dirichlet 평균의 명시적 밀도 도출에 어떻게 기여하는가?

주요 결과

• 랜덤 변수 Bα = β1−α,α / βα,1의 밀도는 fBα(x) = [sin(π(1−α))/π] x−α−1 [1 − (1−x)α I(x≤1)] 로 명시적으로 유도되었으며, 이는 M1(FY1−α/𝐺𝛼) 와 동일하다는 것이 입증되었다.
• 0 < α < 1 인 경우, 함수 Rα(x) = E[log(|t − 1/𝐺𝛼|) I(t ≠ 1/𝐺𝛼)] 는 x > 1 에서 Rα(x) = (1/(2(1−α)) log(x² / [(x−1)^2α − 2(x−1)^α cos(πα) + 1]) 로, 0 < x ≤ 1 에서는 Rα(x) = (1/(1−α)) log(x / [1 − (1−x)^α]) 로 명시적으로 계산되었다.
• M1(FYσ/𝐺𝛼)의 밀도는 0 < x ≤ 1 에서 fα,σ(x) = [x^{−σα/(1−α)−1}/π] sin(πσ) [1 − (1−x)^α]^{σ/(1−α)} 이고, x > 1 에서는 fα,σ(x) = [x^{−σα/(1−α)−1}/π] sin(πσ F𝐺𝛼(1/x)) [(x−1)^{2α} − 2(x−1)^α cos(πα) + 1]^{σ/(2(1−α))} 로 주어진다.
• t ≤ 1/(1−α) 범위에서 GGC(1−α, F1/𝐺𝛼) 서브오르도레이터 Σα(t)의 유한차원 분포는 특성화되었다: 각각의 Σα(Ci) 는 G1 × M1(FYσi/𝐺𝛼) 와 동일분포이며, 여기서 σi = (1−α)|Ci| 이고, M1(FYσi/𝐺𝛼) 의 밀도는 fα,σi(x) 로 주어진다.
• 서브오르도레이터 Σα(t) 는 Σα(t) d= G1 × β1−α,α / U^{1/α} 를 만족하며, 이 표현은 독립성과 알려진 감마-베타 관계를 활용하여 전체 유한차원 분포를 도출하는 데 기여한다.
• 이 방법은 한 Dirichlet 평균에서 유도된 분석 결과를 관련된 평균 전체 집합으로 이전할 수 있게 하여, 베이지안 비모수 및 Lévy 과정 응용에서 반복적인 유도의 필요성을 크게 줄인다.