[論文レビュー] New Dirichlet Mean Identities

Lancelot F. James|arXiv (Cornell University)|Aug 4, 2007

Bayesian Methods and Mixture Models参考文献 31被引用数 7

ひとこと要約

本稿では、独立なベータ確率変数によるディリクレ平均の乗算と、エッシャー変換による指数型傾き（exponential tilting）という2つの分布的演算を導入し、見た目には関係のないディリクレ平均と一般化されたガンマ畳み込み（GGC）過程の間の隠れた関係を明らかにする。主な貢献は、あるディリクレ平均について既知の解析的結果を活用して、関連する確率変数の族およびそれらに付随するリーヴィ過程の明示的密度関数を導出する統一的枠組みを提供することである。特にベイジアン非パラメトリックモデルや無限に可分な分布の文脈において有効である。

ABSTRACT

An important line of research is the investigation of the laws of random variables known as Dirichlet means as discussed in Cifarelli and Regazzini(1990). However there is not much information on inter-relationships between different Dirichlet means. Here we introduce two distributional operations, which consist of multiplying a mean functional by an independent beta random variable and an operation involving an exponential change of measure. These operations identify relationships between different means and their densities. This allows one to use the often considerable analytic work to obtain results for one Dirichlet mean to obtain results for an entire family of otherwise seemingly unrelated Dirichlet means. Additionally, it allows one to obtain explicit densities for the related class of random variables that have generalized gamma convolution distributions, and the finite-dimensional distribution of their associated Lévy processes. This has implications in, for instance, the explicit description of Bayesian nonparametric prior and posterior models, and more generally in a variety of applications in probability and statistics involving Levy processes.

研究の動機と目的

• 分布的演算を用いて、互いに無関係に思えるディリクレ平均の間の構造的関係を特定すること。
• 変換技術を用いて、あるディリクレ平均についての既知の解析的結果を、関連する確率変数のクラスへと拡張すること。
• 一般化されたガンマ畳み込み（GGC）分布に従う確率変数およびその関連するリーヴィ過程の明示的確率密度関数を導出すること。
• GGCにリンクするサブオルダレーターの有限次元分布を、特にαでインデックス付けされたクラスについて体系的に計算する方法を提供すること。
• 具体的な例（例：サブオルダレーターΣα(t)）にこれらの操作を適用し、密度関数および変換の閉形式表現を導出すること。

提案手法

• 独立なベータ確率変数によるディリクル平均の乗算を含む分布的演算を導入し、新たな関連する平均機能を生成すること。
• 一般化されたガンマ畳み込み（GGC）分布に従う確率変数の密度関数に指数型傾き（エッシャー変換）を適用し、新たな分布および関係性を導出すること。
• マークフ・クライン恒等式とコーシー＝スタイリーツ変換を用いて、ディリクレ平均の分布的性質とその背後にあるリーヴィ測度との関係を確立すること。
• ベータ・ガンマ代数およびベータ分布とガンマ分布の性質を活用し、例えばΣα(t) d= G1 × M1(FYσ/𝐺𝛼)のような確率的表現を導出すること。
• 定理2.2を用いて、累積分布関数の正弦関数と指数型傾き項を介して、平均機能M1(FYσ/𝐺𝛼)の密度を導出すること。
• サブオルダレーター表現とGGC構造の結果を統合し、t ≤ 1/(1−α)におけるΣα(t)の有限次元分布を特徴付けること。

実験結果

リサーチクエスチョン

• RQ1 独立なベータ確率変数による乗算が、異なるディリクレ平均の間の隠れた関係をどのように明らかにするか？
• RQ2 一般化されたガンマ畳み込み（GGC）確率変数の分布に指数型傾き（エッシャー変換）を適用した際の効果は何か？
• RQ3 変換技術を用いて、GGCサブオルダレーターΣα(t)の有限次元分布を明示的に特徴付けることができるか？
• RQ4 σ ∈ (0,1] に対して、平均機能M1(FYσ/𝐺𝛼)の閉形式密度関数は何か？
• RQ5 コーシー＝スタイリーツ変換とマークフ・クライン恒等式は、関連するディリクル平均の明示的密度関数の導出をどのように支援するか？

主な発見

• 確率変数Bα = β1−α,α / βα,1 の密度関数は明示的に導出され、fBα(x) = [sin(π(1−α))/π] x−α−1 [1 − (1−x)α I(x≤1)] と表される。これはM1(FY1−α/𝐺𝛼)に等しいことが示された。
• 0 < α < 1 に対して、関数Rα(x) = E[log(|t − 1/𝐺𝛼|) I(t ≠ 1/𝐺𝛼)] は、x > 1 に対してRα(x) = (1/(2(1−α)) log(x² / [(x−1)^2α − 2(x−1)^α cos(πα) + 1]) であり、0 < x ≤ 1 に対してはRα(x) = (1/(1−α)) log(x / [1 − (1−x)^α]) として明示的に計算された。
• M1(FYσ/𝐺𝛼) の密度関数は、0 < x ≤ 1 に対してfα,σ(x) = [x^{−σα/(1−α)−1}/π] sin(πσ) [1 − (1−x)^α]^{σ/(1−α)} であり、x > 1 に対してはfα,σ(x) = [x^{−σα/(1−α)−1}/π] sin(πσ F𝐺𝛼(1/x)) [(x−1)^{2α} − 2(x−1)^α cos(πα) + 1]^{σ/(2(1−α))} と与えられる。
• GGC(1−α, F1/𝐺𝛼) サブオルダレーターΣα(t) が t ≤ 1/(1−α) において有限次元分布として特徴付けられる：各Σα(Ci) は G1 × M1(FYσi/𝐺𝛼) に分布的に等しく、σi = (1−α)|Ci| であり、M1(FYσi/𝐺𝛼) の密度関数はfα,σi(x) で与えられる。
• サブオルダレーターΣα(t) は Σα(t) d= G1 × β1−α,α / U^{1/α} を満たし、この表現により独立性と既知のガンマ・ベータ関係を活用して、有限次元分布の完全な導出が可能である。
• この手法により、あるディリクル平均から得られる解析的結果を、関連する平均の族へと容易に移転でき、ベイジアン非パラメトリクスおよびリーヴィ過程の応用において、繰り返しの導出作業を著しく削減できる。