[论文解读] Estimates for the strong approximation in multidimensional central limit theorem

A. Yu. Zaîtsev|ArXiv.org|Apr 24, 2003

Probability and Risk Models参考文献 29被引用 32

一句话总结

该论文为具有有限指数矩的独立d维随机向量和的强高斯近似建立了显式的、与维度相关的界。通过二元构造和分位数变换，将Komlós–Major–Tusnády及Sakhanenko的一维结果推广至多维情形，通过指数尾部界显式刻画了近似误差对维度d和分布参数的依赖关系。

ABSTRACT

In a recent paper the author obtained optimal bounds for the strong Gaussian approximation of sums of independent $\R^d$-valued random vectors with finite exponential moments. The results may be considered as generalizations of well-known results of Komlós--Major--Tusnády and Sakhanenko. The dependence of constants on the dimension $d$ and on distributions of summands is given explicitly. Some related problems are discussed.

研究动机与目标

• 将一维情形下的最优强近似结果推广至独立随机向量和的多维设置。
• 显式刻画近似常数对维度d及和项分布尾部行为的依赖关系。
• 将Sakhanenko与Komlós–Major–Tusnády的一维结果推广至具有有限指数矩的d维随机向量。
• 在多维不变性原理中，建立Prokhorov距离与近似误差的精确尾部界。
• 解决高维强近似中协方差结构条件必要性方面的开放问题。

提出的方法

• 将Komlós–Major–Tusnády的二元近似方案通过条件分位数变换推广至多维情形。
• 构造独立的高斯向量 $Y_1, \dots, Y_n$，使其与原始 $X_i$ 具有相同的前二阶矩。
• 使用光滑、有界的近似分布，匹配前三阶矩以控制近似误差。
• 利用Strassen–Dudley定理，通过Prokhorov距离估计将原始和与高斯过程耦合。
• 在二元块构造中应用Rosenblatt分位数变换处理条件分布，以确保光滑性并逼近高斯分布。
• 利用类 $\mathcal{A}_d(\tau)$ 的性质，推导出最大偏差 $\Delta(X,Y) = \max_{1 \leq k \leq n} \|\sum_{i=1}^k (X_i - Y_i)\|$ 的指数尾部界。

实验结果

研究问题

• RQ1 多维中心极限定理中强近似误差的最优显式界是什么？
• RQ2 近似误差如何依赖于维度 $d$ 及和项分布的尾部行为？
• RQ3 二元构造方法能否推广至具有有限指数矩的非同分布d维随机向量？
• RQ4 协方差结构与参数 $\tau$ 在确定近似速率中的作用是什么？
• RQ5 协方差算子条件（如 $\text{cov}(F) \geq \tau \mathbf{I}$）对强近似界是否必要？

主要发现

• 论文建立了指数尾部界：$\mathbf{E}\left[\exp\left(\frac{c \Delta(X,Y)}{\tau}\right)\right] \leq 1 + B/\tau$，其中 $B^2 = \sum_{i=1}^n \mathbf{E}[X_i^2]$，显式常数依赖于维度和分布。
• 对于Prokhorov距离，即使无协方差条件，对所有 $\tau > 0$ 成立 $\pi(F, \Phi(F), \lambda) \leq c d^2 \exp\left(-\frac{\lambda}{c d^2 \tau}\right)$。
• 近似误差满足 $\mathbf{P}(c_1 \Delta(X,Y)/\tau(F) \geq x) \leq \exp\left(\log(1 + \sqrt{n \mathbf{E}[\xi^2]}/\tau(F)) - x\right)$，显式展示了对分布 $F$ 的依赖。
• 对于 $\mathcal{B}_d(\tau)$ 中分布的卷积，耦合满足 $\mathbf{P}(\|\xi - \eta\| > \lambda) \leq c(d)\left(\max_i p_i + \exp(-\lambda / (c(d)\tau))\right) + \sum p_i^2$，推广至无界支撑。
• 该方法消除了早期多维结果中存在的对数因子，实现了KMT与Sakhanenko意义下的最优性。
• 该构造对非同分布和项有效，提供了具有显式常数的精确、维度感知的近似速率。