[논문 리뷰] Uniform Convergence of Multivariate Spectral Density Estimates

Wei Biao Wu, Paolo Zaffaroni|arXiv (Cornell University)|2015. 05. 14.

Statistical Methods and Inference참고 문헌 4인용 수 3

한 줄 요약

이 논문은 기능적 의존도 측정법을 사용하여 약한 혼합 조건 하에서 다변량 지연 창 스펙트럼 밀도 추정기의 최적 균일 모멘트 수렴 속도를 확립한다. 추정기의 기대값에서의 최대 편차에 대한 날카운 경계를 유도하여, 약한 검증 가능한 모멘트 및 혼합 조건 하에서 단변량 및 다변량 과정에 대한 균일한 모멘트 수렴을 증명한다.

ABSTRACT

We consider uniform moment convergence of lag-window spectral density estimates for univariate and multivariate stationary processes. Optimal rates of convergence are obtained under mild and easily verifiable conditions. Our theory complements earlier results which primarily concern weak or in-probability convergence.

연구 동기 및 목표

• 최소한이면서 검증 가능한 모멘트 및 의존 조건 하에서 다변량 스펙트럼 밀도 추정기의 균일한 모멘트 수렴을 확립하기 위해.
• 기존의 약한 수렴 또는 확률 수렴 결과를 거의 확실히 및 모멘트 기반의 균일 수렴으로 확장하기 위해.
• 약한 의존성을 가지는 다변량 시간 시리즈에서 스펙트럼 밀도 추정의 최적 수렴 속도를 제공하기 위해.
• 비선형, 비 마르코프 과정에서의 의존성을 측정할 수 있는 기능적 의존도 측정법 프레임워크를 개발하기 위해.
• 단변량에서 다변량 스펙트럼 추정으로 결과를 일반화하고, 추정기의 최대 편차에 대한 명시적 경계를 제공하기 위해.

제안 방법

• 시점 0의 창발성 변화가 프로세스에 미치는 영향을 기반으로 한 기능적 의존도 측정법을 사용하며, 이는 $\delta_{t,p}^{[i]} = \|Z_{it} - Z_{it,\{0\}}\|_p$로 정량화된다.
• 의존성의 시간에 따른 감쇠를 기술하기 위해 $\Theta_{m,p}^{[i]}$, $\Psi_{m,p}^{[i]}$, 및 $d_{m,p}^{[i]}$를 정의한다.
• 정규화된 최대 편차 $Q_{ij}(\lambda) = T(\hat{f}_{Tij}(\lambda) - \mathbb{E}[\hat{f}_{Tij}(\lambda)])$에 대한 대규모 편차 부등식을 적용한다.
• 꼬리 적분과 지수 모멘트 경계를 사용하여 $\| \max_{\lambda} |Q_{ij}(\lambda)| \|_\nu$의 모멘트 경계를 도출한다.
• 삼각함수 다항식 근사법을 사용하여 주파수 도메인 전체에 걸친 최대값을 이산 격자 $\lambda_l = \pi l / B_T$를 통해 근사한다.
• 의존도 측정값 $\delta_{t,p}^{[i]}$ 및 $\Theta_{m,p}^{[i]}$의 감쇠 조건을 통한 $L^p$-노름으로서 최대 편차의 $L^p$-노름을 통제함으로써 균일한 모멘트 수렴을 확립한다.

실험 결과

연구 질문

• RQ1 약한 의존성 하에서 다변량 스펙트럼 밀도 추정기의 최적 균일 모멘트 수렴 속도는 무엇인가?
• RQ2 기능적 의존도 측정법은 비선형, 비 마르코프 시간 시리즈에서의 의존성을 어떻게 측정할 수 있는가?
• RQ3 스펙트럼 추정기의 최대 편차가 모멘트 기반으로 감마 분포로 수렴하는 조건은 무엇인가?
• RQ4 수렴 결과는 선형 프로세스를 초월하여 약한 의존성을 가지는 일반적인 강한 stationarity 프로세스로 확장될 수 있는가?
• RQ5 다변량 스펙트럼 밀도 추정에서 $L^p$ 수렴의 균일성을 확보하기 위해 충분한 모멘트 및 혼합 조건는 무엇인가?

주요 결과

• 조건 $\delta_{t,p}^{[i]} = O(\rho^t)$ ($0 < \rho < 1$) 하에서, $\| \max_{\lambda} |Q_{ij}(\lambda)| \|_\nu = O(\theta_T)$ 를 확립하며, 여기서 $\theta_T$ 는 $T$, $B_T$, 및 의존도 측정값 $\Theta_{0,p}^{[i]}$ 에 따라 달라지는 속도이다.
• 최적의 수렴 속도는 약한 조건 하에서 달성된다: $\mathbb{E}[Z_0] = 0$, $\|Z_0\|_p < \infty$ ($p > 4$), 및 $B_T = O(T^b)$ ($0 < b < 1$).
• 정규화된 최대 편차 $Q(\lambda)/\sqrt{T B_T}$ 는 분산 $\kappa f^2(\lambda)$ 를 가지는 정규분포로 수렴하며, 최대 편차는 감마 극한 법칙을 만족한다.
• 핵심 결과는 제시된 조건 하에서 $\| \max_{0 \leq l \leq B_T} |Q(\lambda_l^*)| \|_\nu \to \|G\|_\nu$ 가 분포적으로 수렴하며, 여기서 $G$ 는 감마분포를 가진다.
• 의존도 측정값 $\delta_{t,p}^{[i]}$ 는 지수 감쇠에서 다항 감쇠 $O(t^{-\alpha})$ ($\alpha > \max[1/2 - (p-4)/(2\delta p), 2\delta/p]$) 로 약화될 수 있으며, 이는 적용 가능성을 확장한다.
• 이 방법은 일반적인 약한 의존성 프로세스에 대해 모든 $1 \leq i,j \leq n$ 에 대해 추정기의 기대값에서의 편차에 대한 균일한 $L^p$ 경계를 제공한다.