[论文解读] Smoothing effect of Compound Poisson approximation to distribution of weighted sums

V. Čekanavičius, Aistė Elijio|arXiv (Cornell University)|Mar 1, 2013

Probability and Risk Models参考文献 13被引用 7

一句话总结

本文建立了加权和中复合泊松近似的精度界限，特别关注大权重分量所引起的平滑效应。通过特征函数与 Lévy 浓度函数，推导出非均匀误差估计，改进了经典界限，尤其在某些分量包含大量项从而平滑其他分量分布时表现更优。

ABSTRACT

The accuracy of compound Poisson approximation to the sum $S=w_1S_1+w_2S_2+...+w_NS_N$ is estimated. Here $S_i$ are sums of independent or weakly dependent random variables, and $w_i$ denote weights. The overall smoothing effect of $S$ on $w_iS_i$ is estimated by L\' evy concentration function.

研究动机与目标

• 分析加权和在复合泊松近似中的平滑效应，特别是当某些分量包含大量项时。
• 利用 Lévy 浓度函数估计加权和 $ S = \sum w_i S_i $ 的近似误差。
• 将经典近似界限（如 Berry–Esséen）推广至非同分布、弱依赖的随机变量并引入权重。
• 克服标准方法（如 Stein 方法或 Edgeworth 展开）在和非格点分布或权重破坏结构假设时的局限性。

提出的方法

• 使用傅里叶–史蒂尔杰斯变换与特征函数分析加权和及其复合泊松近似的特征函数。
• 采用 Kolmogorov 范数与总变差范数，在一致意义下度量近似误差。
• 应用 Lévy 浓度函数 $ Q(F,h) = \sup_x F([x,x+h]) $ 量化具有大量分量的项所引起的平滑效应。
• 通过将测度分解为 $ V_m $、$ U_m $ 和 $ T_m $ 分量，利用指数与卷积表示推导误差界限。
• 使用涉及 $ \omega = \exp\{-0.5n_m\lambda_m \sin^2(t/2)\} $、$ r_1(m) $ 与 $ \nu_1(m) $ 的估计，控制特征函数中的振荡行为与衰减。
• 应用引理 4.4 与 4.5，控制真实和与复合泊松近似之间差异的总变差范数。

实验结果

研究问题

• RQ1 当加权和的某一成分中包含大量分量时，如何影响复合泊松近似的精度？
• RQ2 具有大量分量的成分在何种方式下对整个加权和的分布起到‘平滑’作用？
• RQ3 Lévy 浓度函数能否有效量化加权和在复合泊松近似中的平滑效应？
• RQ4 当分量为 1-依赖且非同分布时，复合泊松近似的精确误差界限是什么？
• RQ5 权重如何改变和的结构特性，这对标准近似技术有何影响？

主要发现

• 本文推导出界限 $ \|V_m\| \leq C n_m r_1(m) \left(1 + \frac{\nu_1(m)}{\lambda_m}\right) \min\left(1, \frac{1}{(n_m \lambda_m)^{3/2}}\right) $，表明随着 $ n_m \lambda_m $ 增大，近似误差衰减，体现平滑效应。
• 对于 $ \prod_{m=1}^N ((1-p_m)I + p_m B_m)^{n_m} $ 的复合泊松近似，误差被限制在 $ \sum_{m=1}^N \|U_m T_m\|_K $ 内，且 $ \|U_m\| \leq C n_m p_m^2 \min(1, (n_m p_m)^{-1}) $，表明当 $ n_m p_m $ 较大时精度提升。
• 平滑效应通过 $ Q(\widetilde{H}, \mu_i) $ 量化，其中 $ \widetilde{H} $ 捕获近似的二阶结构，该量在分量较大时控制误差。
• 该方法避免依赖格点结构或 i.i.d. 假设，因此适用于 1-依赖或弱依赖的随机变量的加权和。
• 通过 $ \|\cdot\|_K \leq \|\cdot\| $ 及 Jordan–Hahn 分解，可控制一致近似误差。
• 当分量非同分布或因权重导致和不具备格点结构时，结果优于经典界限（如 Berry–Esséen）。