[논문 리뷰] On strict sub-Gaussianity, optimal proxy variance and symmetry for bounded random variables

Julyan Arbel, Olivier Marchal외 1명|arXiv (Cornell University)|2019. 01. 26.

Stochastic processes and financial applications참고 문헌 23인용 수 17

한 줄 요약

이 논문은 함수 변동 분석을 통해 유계 확률 변수에 대한 최적의 프록시 분산과 엄밀한 서브가우시안성의 특성을 규명한다. 대칭성은 엄밀한 서브가우시안성에 필수적이지도, 충분한 조건이지도 않음을 보이며, 분산 함수 Δ(σ²,λ)의 임계점 분석과 모멘트 생성 함수 분석을 통해 엄밀한 서브가우시안성의 필요 및 충분 조건을 수립한다.

ABSTRACT

We investigate the sub-Gaussian property for almost surely bounded random variables. If sub-Gaussianity per se is de facto ensured by the bounded support of said random variables, then exciting research avenues remain open. Among these questions is how to characterize the optimal sub-Gaussian proxy variance? Another question is how to characterize strict sub-Gaussianity, defined by a proxy variance equal to the (standard) variance? We address the questions in proposing conditions based on the study of functions variations. A particular focus is given to the relationship between strict sub-Gaussianity and symmetry of the distribution. In particular, we demonstrate that symmetry is neither sufficient nor necessary for strict sub-Gaussianity. In contrast, simple necessary conditions on the one hand, and simple sufficient conditions on the other hand, for strict sub-Gaussianity are provided. These results are illustrated via various applications to a number of bounded random variables, including Bernoulli, beta, binomial, uniform, Kumaraswamy, and triangular distributions.

연구 동기 및 목표

• 함수 변동 분석을 통해 거의 확실히 유계인 확률 변수에 대한 최적의 프록시 분산 σ²_opt를 특성화하는 것.
• 유계 확률 변수가 엄밀히 서브가우시안(즉, σ²_opt = Var(X))이 되는 조건을 조사하는 것.
• 평균에 대한 대칭성과 엄밀한 서브가우시안성 사이의 관계를 명확히 하여, 대칭성이 엄밀한 서브가우시안성을 암시한다는 가정을 도전하는 것.
• 이전 연구에서 베타 및 딜리클레 분포에 대해 얻은 결과를 베르누이, 이항, 쿠마라스와르미, 삼각 분포를 포함한 더 넓은 가족으로 일반화하는 것.
• 모멘트 생성 함수와 분산 함수 Δ(σ²,λ)를 통한 서브가우시안 성질 분석을 위한 통합 프레임워크를 제공하는 것.

제안 방법

• 분산 함수 Δ(σ²,λ) = σ²λ²/2 − K(λ)를 정의하기 위해 모멘트 생성 함수 K(λ) = ln 𝔼[exp(λ(X−μ)])를 사용하며, 이는 서브가우시안 분산을 정량화한다.
• Δ(σ²,λ)의 부호와 임계점을 분석하여 최적의 프록시 분산 σ²_opt를 결정하며, σ²_opt가 모든 λ에 대해 Δ(σ²,λ) ≥ 0가 되는 σ²의 하한임을 이용한다.
• λ=0 주변에서 Δ(σ²,λ)의 점근적 전개를 통해 Var(X)에 대한 σ²의 조건을 유도하며, 이는 제3 및 제4 모멘트를 활용한다.
• σ²와 λ에 대한 연속성 및 단조성 논증을 활용하여, σ²_opt가 Δ(σ²,λ) ≥ 0이면서 어떤 λ₀ 에서 도함수가 0이 되는 최소 σ²임을 증명한다.
• 함수 Δ(σ²,λ)를 통해 엄밀한 서브가우시안성의 필요 및 충분 조건을 유도한다: Δ(σ²,λ) ≥ 0 이고, ∃λ₀ such that Δ(σ²,λ₀)=0 이며 ∂λΔ(σ²,λ₀)=0 이다.
• 디랙 델타의 혼합 및 베타 분포를 활용한 반례를 구성하여, 대칭성이 엄밀한 서브가우시안성을 암시하지는 않음을 보이며, 비대칭 분포도 여전히 엄밀히 서브가우시안일 수 있음을 보여준다.

실험 결과

연구 질문

• RQ1 유계 확률 변수가 엄밀히 서브가우시안이 되는 필요 및 충분 조건은 무엇인가?
• RQ2 분산을 초월하여 유계 확률 변수의 최적의 프록시 분산 σ²_opt는 어떻게 특성화될 수 있는가?
• RQ3 평균에 대한 대칭성은 유계 분포에서 엄밀한 서브가우시안성에 필수적이거나 충분한 조건인가?
• RQ4 베르누이, 베타, 이항, 쿠마라스와르미, 삼각 분포와 같은 표준 유계 분포에 대해 최적의 프록시 분산을 계산할 수 있는가?
• RQ5 베타 분포에 대해 알려진 대칭성과 엄밀한 서브가우시안성 간의 표준 등가관계는 다른 유계 분포로도 확장되는가?

주요 결과

• 베르누이, 베타, 이항, 쿠마라스와르미, 삼각 분포에서는 평균에 대한 대칭성이 엄밀한 서브가우시안성과 동치이다.
• 일반적으로 대칭성은 엄밀한 서브가우시안성에 필수적이지도, 충분한 조건이지도 않다: 예를 들어, 두 성분의 베타 혼합 분포와 같은 대칭 혼합 분포도 엄밀히 서브가우시안이 아닐 수 있다.
• 비대칭적인 세 성분의 딜리클레 질량 혼합 분포는 엄밀히 서브가우시안이며, 이는 비대칭성이 엄밀한 서브가우시안성을 막지 않는다는 것을 보여준다.
• 최적의 프록시 분산 σ²_opt는 모든 λ에 대해 분산 함수 Δ(σ²,λ) ≥ 0 이고, 어떤 λ₀ 에서 도함수가 0이 되는 σ²의 하한으로 특성화된다.
• σ² ≥ σ²_opt 일 때 함수 Δ(σ²,λ)는 음이 아닌 부호를 가지며, σ² > σ²_opt 이면 엄격히 양수이며, σ² < σ²_opt 일 경우 어떤 구간에서는 음수가 된다.
• 논문은 베르누이 분포에 관련된 모멘트 생성 함수와 관련된 함수의 전역 최대값이 유일함을 증명함으로써 열려 있는 문제를 해결하였으며, 베렌트와 콘토르비치(2013)의 추측을 확인한다.