[논문 리뷰] Normal Approximation by Stein's Method under Sublinear Expectations

Yongsheng Song|arXiv (Cornell University)|2017. 11. 15.

Advanced Harmonic Analysis Research참고 문헌 10인용 수 8

한 줄 요약

이 논문은 슈퍼라인어 기대값 하에서 스텐의 방법을 사용하여 중심극한정리의 수렴 속도를 확립한다. 이는 정규화된 합 $ W_n $ 과 $ G $-정규분포 $ \mathcal{N}_G $ 사이의 근사 오차가 어떤 $ \alpha \in (0,1) $ 에 대해 $ C_{\alpha,G} \frac{\hat{\mathbf{E}}[|X_1|^{2+\alpha}]}{n^{\alpha/2}} $ 로 유계화됨을 증명하며, 고전적 스텐의 방법을 비선형 기대값 프레임워크로 확장하고 명시적인 오차 유계를 제공한다.

ABSTRACT

Peng (2008)(\cite{P08b}) proved the Central Limit Theorem under a sublinear expectation: extit{Let $(X_i)_{i\ge 1}$ be a sequence of i.i.d random variables under a sublinear expectation $\hat{\mathbf{E}}$ with $\hat{\mathbf{E}}[X_1]=\hat{\mathbf{E}}[-X_1]=0$ and $\hat{\mathbf{E}}[|X_1|^3]0$ and $\mathcal{N}_G$ is the $G$-normal distribution with \[G(a)=\frac{1}{2}\hat{\mathbf{E}}[aX_1^2]=\frac{1}{2}(\overlineσ^2a^+-\underlineσ^2a^-), \ a\in \mathbb{R}.\]}

연구 동기 및 목표

• 스텐의 방법을 슈퍼라인어 기대값 공간에 적용하여 정규분포 근사에 적용하기 위해.
• 모델 불확실성 하에서 펑의 중심극한정리의 수렴 속도를 정량화하기 위해.
• i.i.d. 랜덤 변수의 합이 $ G $-정규분포에 의해 근사될 때의 비점근적 오차 유계를 확립하기 위해.
• 비선형 경우에서 고전적 스텐 방정식의 부재를 해결하기 위해 $ G $-열방정식의 연속해를 사용하기 위해.
• 합성항의 $ (2+\alpha) $-번째 절대모멘트에 따라 표현되는 근사 오차의 계산 가능한 상한을 유도하기 위해.

제안 방법

• 고전적 스텐 방정식 대신 $ G $-열방정식을 사용하는 PDE 기반 접근법을 통해 슈퍼라인어 기대값에 스텐의 방법을 적응시킨다.
• 함수 $ u(x,t) = \mathcal{N}_G[\varphi(x + \sqrt{t}\cdot)] $ 을 $ G $-열방정식 $ \partial_t u - G(D_x^2 u) = 0 $ 의 연속해로 정의하며, 초기 조건 $ u(x,0) = \varphi(x) $ 를 만족시킨다.
• 부분합 $ W_i $ 와 단계 $ i $ 에서의 정규화된 분산 $ t_i $ 를 사용하여 이산시간 마틴게일 유사 수열 $ A_i = \hat{\mathbf{E}}[u(W_i, 1 - t_i)] $ 을 구성한다.
• 서브라인어 기대값과 선형 기대값 간의 이질성에 기반하여 $ \sup_{\mu \in \Theta} \mu[\mathcal{L}_{G_\beta} \phi_s] $ 를 포함하는 표현을 통해 $ |A_i - A_{i-1}| $ 의 차이를 유계화한다.
• 해 $ u $ 의 허더 정규성(Holder regularity)을 지수 $ \alpha \in (0,1) $ 으로 정량화하며, $ [D_x^2 u]_\alpha \leq c_{\alpha,G} (1-t)^{-(1/2 + \alpha/2)} $ 로 표현한다.
• 시간 간격에 대해 통합하고, $ \hat{\mathbf{E}}[|\xi_i|^{2+\alpha}] $ 를 통해 증분의 $ (2+\alpha) $-번째 모멘트를 제어함으로써 최종 오차 유계를 도출한다.

실험 결과

연구 질문

• RQ1 스텐의 방법은 슈퍼라인어 기대값의 맥락에서 비점근적 오차 유계를 제공하기 위해 적응시킬 수 있는가?
• RQ2 슈퍼라인어 기대값 하에서 정규화된 합 $ W_n $ 이 $ G $-정규분포로 수렴하는 속도는 무엇인가?
• RQ3 고전적 스텐 방정식의 부재가 비선형 기대값 공간에서 근사 유계를 구성하는 데 어떤 영향을 미치는가?
• RQ4 해의 $ G $-열방정식에 대한 허더 정규성은 오차 추정을 도출하는 데 어떤 역할을 하는가?
• RQ5 분산 $ \underline{\sigma}^2 $ 와 $ \overline{\sigma}^2 $ 는 $ G $-정규분포 근사에서 수렴 속도에 어떤 영향을 미치는가?

주요 결과

• 논문은 비점근적 상한을 근사 오차에 대해 확립한다: $ \sup_{|\varphi|_{\text{Lip}} \leq 1} \left| \hat{\mathbf{E}}[\varphi(W_n)] - \mathcal{N}_G[\varphi] \right| \leq C_{\alpha,G} \frac{\hat{\mathbf{E}}[|X_1|^{2+\alpha}]}{n^{\alpha/2}} $, 여기서 어떤 $ \alpha \in (0,1) $ 이다.
• 상수 $ C_{\alpha,G} $ 는 $ \alpha $, $ \underline{\sigma}^2 $, $ \overline{\sigma}^2 $ 에 대해 명시적으로 의존하며, 서브라인어 프레임워크 내 조건부 분산의 범위를 반영한다.
• 수렴 속도는 고전적 $ O(n^{-1/2}) $ 보다 느린 $ O(n^{-\alpha/2}) $ 이지만, 비선형 기대값 설정에서의 추가 불확실성을 반영한다.
• 증명은 $ G $-열방정식의 연속해 이론과 $ A_i = \hat{\mathbf{E}}[u(W_i, 1 - t_i)] $ 를 통한 시간 이산화된 쌍용 논리에 기반한다.
• 핵심적인 기술적 혁신은 $ s \in [0,1] $ 에 대한 적분을 포함하는 표현을 통해 서브라인어 기대값과 선형 기대값 간의 차이를 표현하는 것으로, 이는 생성자 $ \mathcal{L}_{G_\beta} $ 를 포함한다.
• 유계는 i.i.d. 합성항의 $ (2+\alpha) $-번째 모멘트에 의존하므로, 이는 $ G $-열방정식의 해의 정(regularity)을 제어하므로 날카로운 것으로 간주된다.