[论文解读] Convergence of densities of some functionals of Gaussian processes

Yaozhong Hu, Fei Lu+1 more|arXiv (Cornell University)|Feb 27, 2013

Probability and Risk Models参考文献 31被引用 7

一句话总结

该论文利用马利avin微积分与 Stein 方法，建立了高斯过程泛函密度到正态密度的统一收敛性。在马利avin导数负矩的非退化条件下，给出了 $q$ 阶 Wiener 群中多重随机积分密度与正态密度之间统一距离的显式上界，该上界与 $\sqrt{\mathbb{E}[F^4] - 3\sigma^4}$ 成正比。

ABSTRACT

The aim of this paper is to establish the uniform convergence of the densities of a sequence of random variables, which are functionals of an underlying Gaussian process, to a normal density. Precise estimates for the uniform distance are derived by using the techniques of Malliavin calculus, combined with Stein's method for normal approximation. We need to assume some non-degeneracy conditions. First, the study is focused on random variables in a fixed Wiener chaos, and later, the results are extended to the uniform convergence of the derivatives of the densities and to the case of random vectors in some fixed chaos, which are uniformly non-degenerate in the sense of Malliavin calculus. Explicit upper bounds for the uniform norm are obtained for random variables in the second Wiener chaos, and an application to the convergence of densities of the least square estimator for the drift parameter in Ornstein-Uhlenbeck processes is discussed.

研究动机与目标

• 建立高斯过程泛函序列密度到正态密度的统一收敛性。
• 推导固定 Wiener 群中某随机变量密度与正态密度之间统一距离的显式定量上界。
• 将分析扩展至密度的高阶导数，以及马利avin非退化条件下的 Wiener 群中随机向量。
• 将结果应用于 Ornstein-Uhlenbeck 过程中的参数估计，特别是最小二乘估计量。

提出的方法

• 利用马利avin微积分通过分部积分表达多重随机积分 $F = I_q(f)$ 的密度：$f_F(x) = \mathbb{E}[\mathbf{1}_{\{F>x\}} q\|DF\|_{\mathfrak{H}}^{-2}F] - \mathbb{E}[\mathbf{1}_{\{F>x\}} \langle DF, D(\|DF\|_{\mathfrak{H}}^{-2}) \rangle_{\mathfrak{H}}]$。
• 应用 Stein 方法估计差值 $|\mathbb{E}[\mathbf{1}_{\{F>x\}}F] - \mathbb{E}[\mathbf{1}_{\{N>x\}}N]|$，以控制正态近似误差。
• 使用霍尔德不等式与 $\|DF\|_{\mathfrak{H}}^{-2}$ 的迭代导数的矩估计，假设 $\mathbb{E}[\|DF\|_{\mathfrak{H}}^{-6}] < \infty$。
• 通过要求 $\mathbb{E}[\|DF\|_{\mathfrak{H}}^{-\beta}] < \infty$ 且 $\beta > 6m + 6(\lfloor m/2 \rfloor \vee 1)$，推导出密度 $m$ 阶导数的上界。
• 利用紧致性论证与逆密度 $\gamma_F^{-1}$ 的索伯列夫范数估计，处理向量值泛函。
• 结合分部积分公式与涉及 $D_u^k \delta_u$ 和 $w = \|DF\|_{\mathfrak{H}}^2$ 的马利avin微积分恒等式，控制高阶导数。

实验结果

研究问题

• RQ1 在何种条件下，$q$ 阶 Wiener 群中多重随机积分的密度会一致收敛于正态密度？
• RQ2 能否为高斯过程泛函密度与正态密度之间的统一距离推导出显式定量上界？
• RQ3 这些上界如何依赖于泛函的四阶矩以及马利avin导数的负矩？
• RQ4 这些收敛结果能否扩展至密度的高阶导数以及 Wiener 群中的随机向量？
• RQ5 这些上界对统计估计问题中密度收敛性（如 Ornstein-Uhlenbeck 过程中最小二乘估计量）有何影响？

主要发现

• 对于 $\mathbb{E}[F^2] = \sigma^2$ 且 $\mathbb{E}[\|DF\|_{\mathfrak{H}}^{-6}] < \infty$ 的 $q$ 阶 Wiener 群中随机变量 $F = I_q(f)$，其密度 $f_F$ 与正态密度 $\phi$ 之间的统一距离满足 $\sup_x |f_F(x) - \phi(x)| \leq C \sqrt{\mathbb{E}[F^4] - 3\sigma^4}$，其中 $C$ 依赖于 $q$、$\sigma$ 以及 $\|DF\|_{\mathfrak{H}}$ 的六阶负矩。
• 该上界可等价地用 $\sqrt{\mathrm{Var}(\|DF\|_{\mathfrak{H}}^2)}$ 表达，将收敛性与马利avin导数范数的方差联系起来。
• 对于密度的 $m$ 阶导数，在 $\mathbb{E}[\|DF\|_{\mathfrak{H}}^{-\beta}] < \infty$ 且 $\beta > 6m + 6(\lfloor m/2 \rfloor \vee 1)$ 的条件下，可获得一致上界，确保收敛的光滑性。
• 结果可推广至在马利avin意义下一致非退化的 Wiener 群中随机向量，上界通过逆密度的索伯列夫范数导出。
• 在第二 Wiener 群中，推导出密度差统一范数的显式上界，为非高斯泛函提供了定量估计。
• 提供了对 Ornstein-Uhlenbeck 过程中漂移参数最小二乘估计量的应用，表明在相同矩条件下，估计量的密度一致收敛于正态分布。