[논문 리뷰] Stein's method for asymmetric $α$-stable distributions, with application to the stable CLT

Peng Chen, Ivan Nourdin외 1명|arXiv (Cornell University)|2018. 08. 07.

Random Matrices and Applications참고 문헌 7인용 수 3

한 줄 요약

이 논문은 1차원에서 비대칭 $\alpha$-안정 분포에 대한 새로운 스텐 방법을 개발하며, 분수형 생성자 연산자를 도입하여 분수 라플라스 연산자를 일반화한다. 이는 안정 분포에 의한 근사에 대한 워샤우저 거리 유계를 수립하고, 고전적인 정규 확률 척도 영역 외부에 있는 분포, 예를 들어 천천히 변화하는 尾를 가진 파레토 유사 변수와 같은 경우에도 안정 중심극한정리에서 명시적인 오차 비율을 도출하는 데 응용된다.

ABSTRACT

This paper is concerned with the Stein's method associated with a (possibly) asymmetric $α$-stable distribution $Z$, in dimension one. More precisely, its goal is twofold. In the first part, we exhibit a genuine bound for the Wasserstein distance between $Z$ and any integrable random variable $X$, in terms of an operator that reduces to the classical fractional Laplacian in the symmetric case. Then, in the second part we apply the aforementioned bound to compute error rates in the stable central limit theorem, when the entries are in the domain $\mathcal{D}_α$ of normal attraction of a stable law of exponent $α$. To conclude, we study the specific case where the entries are Pareto like multiplied by a slowly varying function, which provides an example of random variables that do not belong to $\mathcal{D}_α$, but for which our approach continues to apply.

연구 동기 및 목표

• 이전 연구가 대칭 케이스에 국한되어 있었던 것과 달리, $\alpha \in (1,2)$ 에서 비대칭 $\alpha$-안정 분포로 스텐 방법을 확장하는 것.
• 분수 라플라스 연산자가 $\beta = 0$ 일 때로 축소되는 새로운 생성자 연산자 $\mathcal{L}^{\alpha,\beta}$ 를 개발하는 것.
• 임의의 적분 가능한 랜덤 변수 $X$ 와 목표 분포 $Z \sim S_{\alpha}(1,\beta)$ 사이의 정량적 워샤우저 거리 유계를 유도하기 위해 '한 번씩 제거하기' 접근법을 사용하는 것.
• 안정 중심극한정리(stable CLT)에 이 유계를 적용하여, 합성항들이 정규 확률 척도 영역 $\mathcal{D}_{\alpha}$ 에 속할 경우 명시적인 오차 비율을 계산하는 것.
• $\mathcal{D}_{\alpha}$ 외부로 확장하기 위해 천천히 변화하는 尾를 가진 파레토 유사 분포를 분석하여, 고전적 조건이 실패하는 경우에도 적용 가능함을 보이는 것.

제안 방법

• 비대칭성 파라미터 $\beta$ 를 포함한 특이 적분을 통한 정의를 통해 비대칭 $\alpha$-안정 법칙을 특징짓는 새로운 생성자 연산자 $\mathcal{L}^{\alpha,\beta}$ 를 도입한다.
• 1-립시츠 함수이면서 유계 제2차 도함수를 가진 함수들에 대해, 부등식 $d_W(\mathcal{L}(X), \mathcal{L}(Z)) \leq \sup \left| \mathbb{E}[(\mathcal{L}^{\alpha,\beta}\phi)(X)] - \frac{1}{\alpha}\mathbb{E}[X\phi'(X)] \right|$ 를 통해 워샤우저 거리 유계를 도출한다.
• 합 $S_n$ 과 조건부 형태 $\widetilde{S}_{n,i}$ 를 비교하여 안정 중심극한정리에서의 오차를 제어하기 위해 '한 번씩 제거하기' 기법을 적용한다.
• 중심극한정리에서의 무거운 尾를 다루기 위해 $\gamma_n = \log n$ 를 사용하는 절단 및 로그 스케일링 기법을 도입한다.
• 함수 $\phi'$ 와 $\phi''$ 의 $L^\infty$ 노름을 사용하여, $\mathbb{E}[X_i \phi'(\widetilde{S}_{n,i} + aX_i)]$ 와 생성자 항 사이의 차이를 분해하고 오차 유계를 확립한다.
• 생성자 근사와 '한 번씩 제거하기' 보정의 추정치를 조합하여, 워샤우저 거리에 대한 최종 수렴 비율 $O((\log n)^{-1})$ 을 유도한다.

실험 결과

연구 질문

• RQ1 스텐 방법이 대칭 케이스를 초월하여 $\alpha \in (1,2)$ 에서 비대칭 $\alpha$-안정 분포로 확장될 수 있는가?
• RQ2 비대칭 $\alpha$-안정 법칙을 특징짓고, $\beta = 0$ 일 때 분수 라플라스 연산자로 축소되는 적절한 생성자 연산자 $\mathcal{L}^{\alpha,\beta}$ 는 무엇인가?
• RQ3 이 새로운 생성자 기반 스텐 방법을 통해 안정 중심극한정리에서 명시적인 오차 비율을 도출할 수 있는가?
• RQ4 고전적인 정규 확률 척도 영역 $\mathcal{D}_{\alpha}$ 외부에 있는 분포, 예를 들어 천천히 변화하는 尾를 가진 분포에 대해서도 이 방법이 효과를 발휘하는가?
• RQ5 이 틀 안에서 i.i.d. 중량이 큰 무거운 尾를 가진 랜덤 변수의 합에 대해 워샤우저 거리에서 최적의 수렴 비율은 무엇인가?

주요 결과

• 비대칭 $\alpha$-안정 법칙을 위한 새로운 생성자 연산자 $\mathcal{L}^{\alpha,\beta}$ 가 구성되었으며, $\beta = 0$ 일 때 분수 라플라스 연산자로 축소된다.
• 워샤우저 거리 유계가 확립되었으며, $d_W(\mathcal{L}(X), \mathcal{L}(Z)) \leq \sup \left| \mathbb{E}[(\mathcal{L}^{\alpha,\beta}\phi)(X)] - \frac{1}{\alpha}\mathbb{E}[X\phi'(X)] \right|$ 는 모든 적분 가능한 $X$ 에 대해 유효하다.
• i.i.d. 랜덤 변수의 합 $S_n$ 이 $\mathcal{D}_{\alpha}$ 에 속할 경우, 이 방법은 $d_W(\widetilde{S}_n, S\alpha S(1)) = O((\log n)^{-1})$ 의 오차 비율을 도출한다.
• 이 방법은 $\mathcal{D}_{\alpha}$ 를 초월하여 적용 가능하다: 천천히 변화하는 尾를 가진 파레토 유사 변수에 대해서도 동일한 $O((\log n)^{-1})$ 비율이 달성된다.
• 오차 유계는 '한 번씩 제거하기' 접근법을 통해 도출되었으며, 주요 추정치는 $\phi'$ 와 $\phi''$ 의 $L^\infty$ 노름과 절단 임계값의 로그 스케일링에 의존한다.
• 최종 비율 $O((\log n)^{-1})$ 이 주어진 가정 하에 날카로운 것으로 입증되었으며, 이 경우 고전적인 푸리에 분석 기반 유계보다 향상된 성능을 보인다.