[论文解读] Convergence of Multivariate Quantile Surfaces

Adil Ahidar-Coutrix, Philippe Berthet|arXiv (Cornell University)|Jul 9, 2016

Statistical Methods and Inference参考文献 14被引用 3

一句话总结

本文提出了一种非参数框架，用于以任意观测点 O ∈ ℝᵈ 为基准的多变量分位数曲面，将单变量分位数推广至任意分布，无需假设对称性、密度或唯一中心。该框架建立了维度无关的 Bahadur-Kiefer 表示，速率可达 n⁻¹/⁴(log n)¹/²(log log n)¹⁴，实现了经验分位数曲面的统一弱收敛，并为 Tukey 半空间的联合置信区域提供了非渐近高斯近似。

ABSTRACT

We define the quantile set of order $α\in \left[ 1/2,1 ight) $ associated to a law $P$ on $\mathbb{R}^{d}$ to be the collection of its directional quantiles seen from an observer $O\in \mathbb{R}^{d}$. Under minimal assumptions these star-shaped sets are closed surfaces, continuous in $(O,α)$ and the collection of empirical quantile surfaces is uniformly consistent.\ Under mild assumptions -- no density or symmetry is required for $P$ -- our uniform central limit theorem reveals the correlations between quantile points and a non asymptotic Gaussian approximation provides joint confident enlarged quantile surfaces. Our main result is a dimension free rate $n^{-1/4} (\log n)^{1/2}(\log\log n) ^{1/4} $ of Bahadur-Kiefer embedding by the empirical process indexed by half-spaces. These limit theorems sharply generalize the univariate quantile convergences and fully characterize the joint behavior of Tukey half-spaces.

研究动机与目标

• 将单变量分位数收敛性推广至无需对称性、密度或唯一中心的多变量设置。
• 基于任意观测点 O ∈ ℝᵈ 的方向投影，构建用于分位数曲面的非参数框架。
• 在对底层分布 P 的假设最小化条件下，建立经验分位数曲面的统一一致性和弱收敛性。
• 为由半空间索引的经验过程建立维度无关的 Bahadur-Kiefer 表示，以支持多变量分位数的联合推断。
• 为分位数曲面的联合置信区域提供非渐近高斯近似，适用于稳健的多变量推断。

提出的方法

• 将从观测点 O ∈ ℝᵈ 出发的方向分位数定义为：通过 O 的半空间中概率达到 α ∈ [1/2, 1) 顺序的点的集合。
• 通过方向分位数构造星形集合形式的分位数曲面，在最小假设下确保 (O, α) 的连续性。
• 利用 Talagrand 不等式和半空间索引经验过程的矩不等式，控制统一偏差。
• 应用 Berthet-Mason 强近似定理，将经验过程嵌入高斯过程，实现维度无关的速率。
• 为半空间类上的经验过程建立统一的 Bahadur-Kiefer 表示，达到 n⁻¹/⁴(log n)¹/²(log log n)¹⁴ 的速率。
• 基于强近似结果，推导分位数曲面联合置信区域的非渐近高斯近似。

实验结果

研究问题

• RQ1 在不假设对称性、密度或唯一中心的条件下，能否一致估计多变量分位数曲面？
• RQ2 在高维设置下，经验分位数曲面的最优收敛速率是什么？
• RQ3 如何构建具有非渐近有效性的多变量分位数联合置信区域？
• RQ4 能否以维度无关的速率，将由半空间索引的经验过程表示为高斯过程？
• RQ5 分位数曲面在多变量设置下如何推广单变量分位数收敛性？

主要发现

• 在对底层分布 P 的密度或对称性无要求的最小假设下，经验分位数曲面具有统一一致性。
• 本文建立了经验分位数曲面的统一弱收敛结果，将经典单变量弱收敛推广至多变量设置。
• 为由半空间索引的经验过程实现了维度无关的 Bahadur-Kiefer 表示，速率可达 n⁻¹/⁴(log n)¹/²(log log n)¹⁴。
• 为分位数曲面的联合置信区域提供了非渐近高斯近似，支持对多变量数据云的稳健推断。
• 分位数曲面在观测点 O 和分位数水平 α 上均保持连续性，确保在参数空间中具有稳定的几何解释。
• 该框架推广了 Tukey 半空间，并可在无需中心中位点的条件下，实现基于深度的等高线联合推断。