[논문 리뷰] Product Inequalities for Multivariate Gaussian, Gamma, and Positively Upper Orthant Dependent Distributions

Dominic Edelmann, Donald Richards외 1명|arXiv (Cornell University)|2022. 04. 13.

Mathematical Inequalities and Applications인용 수 5

한 줄 요약

이 논문은 다변량 정규분포, 감마분포 및 양의 상부 옥션트 의존성(PUOD) 분포에 대한 새로운 곱 부등식을 수립한다. PUOD 의존성 하에서 비음수 지수에 대해 약한 정규분포 곱 부등식을 증명하고, 가우시안 상관 부등식을 사용하여 음수 지수에 대해 강한 형태를 도출함으로써 다변량 통계에서의 모멘트 부등식에 관한 이전 결과를 확장한다.

ABSTRACT

The Gaussian product inequality is an important conjecture concerning the moments of Gaussian random vectors. While all attempts to prove the Gaussian product inequality in full generality have been unsuccessful to date, numerous partial results have been derived in recent decades and we provide here further results on the problem. Most importantly, we establish a strong version of the Gaussian product inequality for multivariate gamma distributions in the case of nonnegative correlations, thereby extending a result recently derived by Genest and Ouimet [5]. Further, we show that the Gaussian product inequality holds with nonnegative exponents for all random vectors with positive components whenever the underlying vector is positively upper orthant dependent. Finally, we show that the Gaussian product inequality with negative exponents follows directly from the Gaussian correlation inequality.

연구 동기 및 목표

• 비음수 상관관계를 가진 다변량 감마분포로 가우시안 곱 부등식(GPI)을 확장한다.
• 양의 성분을 가진 랜덤 벡터에 대해 양의 상부 옥션트 의존성(PUOD) 하에서 약한 GPI를 수립한다.
• 가우시안 상관 부등식을 사용하여 음수 지수에 대해 강한 GPI를 증명한다.
• 다변량 분포에 대한 기존 모멘트 부등식 결과를 통합하고 일반화한다.
• 다변량 생존함수와 적분 기법을 통해 곱 부등식을 유도하는 새로운 방법을 제공한다.

제안 방법

• 레마 3.1를 통해 양의 실수 위에서의 다변량 생존함수와 적분을 이용하여 모멘트 부등식을 유도한다.
• 변환된 랜덤 변수 $ |X_j|^{-n_j} $ 에 대해 가우시안 상관 부등식을 적용하여 음수 지수에 대한 강한 GPI를 도출한다.
• 양의 상부 옥션트 의존성(PUOD)과 강한 PUOD(SPUOD)의 개념을 도입하여 모멘트 부등식을 일반화한다.
• 원래 부등식을 $ t_j = |X_j|^{n_j} $ 를 치환하여 생존함수 부등식으로 변환함으로써 $ \mathbb{R}^d_{\geq 0} $ 에서의 적분이 가능하게 한다.
• 레마 3.1에 의해 $ \mathbb{E}[\prod |X_j|^{n_j}] = \int_{\mathbb{R}^d_{\geq 0}} \mathbb{P}(\prod |X_j|^{n_j} \geq t_j) \, dt $ 라는 사실을 활용한다.
• 만약 $ |\mathbf{X}| $ 가 SPUOD이면, 모든 $ n_j \geq 0 $ 에 대해 강한 GPI가 성립함을 보여준다.

실험 결과

연구 질문

• RQ1 비음수 상관관계를 가진 다변량 감마분포에 대해 약한 가우시안 곱 부등식이 성립하는가?
• RQ2 PUOD 의존성 하에서 일반적인 양의 성분을 가진 랜덤 벡터로 약한 GPI를 확장할 수 있는가?
• RQ3 가우시안 벡터에서 음수 지수에 대해 강한 GPI가 성립하는가, 그리고 만약 성립한다면 어떤 조건에서 성립하는가?
• RQ4 가우시안 상관 부등식을 사용하여 역모멘트에 대한 새로운 곱 부등식을 도출할 수 있는가?
• RQ5 의존성 구조에 어떤 조건이 요구되어야 일반 모멘트 지수에 대해 강한 곱 부등식이 성립하는가?

주요 결과

• 비음수 상관행렬을 가진 다변량 감마분포에 대해 약한 가우시안 곱 부등식이 성립하며, Genest와 Ouimet의 결과를 확장한다.
• 모든 양의 성분을 가진 랜덤 벡터에 대해 $ |\mathbf{X}| $ 가 양의 상부 옥션트 의존성(PUOD)이면, 모든 비음수 지수 $ n_j $ 에 대해 약한 GPI가 성립한다.
• 만약 $ |\mathbf{X}| $ 가 강한 양의 상부 옥션트 의존성(SPUOD)이면, 모든 인덱스 집합 $ I \subset \{1,\ldots,d\} $ 과 비음수 지수에 대해 강한 GPI가 성립한다.
• 음수 지수에 대한 강한 GPI는 가우시안 상관 부등식을 통해 직접 도출되며, $ |X_j|^{-n_j} $ 의 생존함수 적분을 통해 보여진다.
• 이 방법은 일반적으로 적용 가능하다: 양의 랜덤 벡터가 하부 옥션트 확률에 대해 가우시안 유형의 상관 부등식을 만족하면, 그 역모멘트는 강한 곱 부등식을 만족한다.
• 이 결과는 동일한 상관 부등식을 만족하는 다변량 감마분포로도 확장되며, 음수 지수에 대해 GPI가 성립하는 새로운 분포의 클래스를 제공한다.