[论文解读] Asymptotic properties of the maximum pseudo-likelihood estimator for stationary Gibbs point processes including the Lennard-Jones model

Jean‐François Coeurjolly, Rémy Drouilhet|arXiv (Cornell University)|Jul 12, 2010

Point processes and geometric inequalities参考文献 31被引用 12

一句话总结

本论文建立了具有通用、非线性且非稳定局部能量函数的平稳吉布斯点过程的最大伪似然估计量的强一致性和渐近正态性。该文证明了对于伦纳德-琼斯模型及其有限范围变体，这些性质成立；其中渐近正态性仅在有限范围版本中成立，原因在于更强的正则性条件。

ABSTRACT

This paper presents asymptotic properties of the maximum pseudo-likelihood estimator of a vector $\\Vect{\ heta}$ parameterizing a stationary Gibbs point process. Sufficient conditions, expressed in terms of the local energy function defining a Gibbs point process, to establish strong consistency and asymptotic normality results of this estimator depending on a single realization, are presented.These results are general enough to no longer require the local stability and the linearity in terms of the parameters of the local energy function. We consider characteristic examples of such models, the Lennard-Jones and the finite range Lennard-Jones models. We show that the different assumptions ensuring the consistency are satisfied for both models whereas the assumptions ensuring the asymptotic normality are fulfilled only for the finite range Lennard-Jones model.

研究动机与目标

• 建立具有通用能量函数的平稳吉布斯点过程的最大伪似然估计量的渐近性质——一致性与渐近正态性。
• 放宽先前要求参数线性化和能量函数局部稳定性的假设。
• 以伦纳德-琼斯模型及其有限范围变体作为非线性、非稳定能量函数的关键示例进行分析。
• 确定在缺乏局部稳定性的情况下，估计量渐近正态性的成立条件。
• 为具有复杂交互结构的空间点过程推断提供理论基础。

提出的方法

• 基于条件强度函数使用最大伪似然估计量，避免完整似然中难以处理的归一化常数。
• 采用局部能量函数的表述方式，其中插入一个点的能量取决于其与邻近点的相互作用。
• 利用趋于 ℝᵈ 的扩张观测域序列 Λₙ → ℝᵈ 推导渐近结果。
• 通过矩条件控制估计方程的统一控制与几乎必然收敛，建立一致性。
• 利用 U-统计量的中心极限定理及观测费雪信息矩阵的收敛性，推导渐近正态性。
• 依赖于矩界和遍历性假设（如 [N1]–[N4]）来控制得分函数与信息矩阵的行为。

实验结果

研究问题

• RQ1 在何种一般条件下，最大伪似然估计量对具有非线性、非稳定能量函数的平稳吉布斯点过程是强一致的？
• RQ2 在不需假设局部稳定或参数线性化的情况下，能否为这类模型建立渐近正态性？
• RQ3 伦纳德-琼斯模型及其有限范围变体是否满足渐近正态性所需的矩条件与正则性条件？
• RQ4 在估计量的渐近性质方面，有限范围伦纳德-琼斯模型与标准伦纳德-琼斯模型有何区别？
• RQ5 这些理论结果如何扩展先前关于指数族模型与稳定能量函数的工作？

主要发现

• 在所提出的矩条件与正则性条件下，最大伪似然估计量对标准伦纳德-琼斯模型与有限范围伦纳德-琼斯模型均具有强一致性。
• 渐近正态性仅在有限范围伦纳德-琼斯模型中成立，而标准伦纳德-琼斯模型因不满足所需的矩界而失败。
• 在模型假设下，观测费雪信息矩阵几乎必然收敛至一个正定矩阵，确保了渐近效率。
• 估计量的极限分布为均值为零、协方差矩阵等于极限费雪信息矩阵逆矩阵的多元正态分布。
• 结果通过去除对参数线性化与局部稳定性的需求，推广了先前工作，扩大了对伦纳德-琼斯势等模型的适用范围。
• 证明依赖于由矩条件 [N4] 导出的控制论据与矩界，从而替代了对局部稳定性的需求。