[论文解读] Fractional absolute moments of heavy tailed distributions

Muneya Matsui, Zbyněk Pawlas|arXiv (Cornell University)|Jan 21, 2013

Statistical Distribution Estimation and Applications参考文献 21被引用 5

一句话总结

本文利用分数阶微积分，特别是针对特征函数和拉普拉斯变换的Marchaud导数，发展了计算重尾分布中分数阶绝对矩（阶数 $1 < \gamma < 2$）的解析方法。推导了稳定分布、帕累托分布、几何稳定分布和Linnik分布的显式表达式，并将其应用于 $L^p$ 损失下 $0 < p < 2$ 的预测与估计误差分析，为无限方差设定下的回归与参数估计提供了闭式误差界。

ABSTRACT

Several convenient methods for calculation of fractional absolute moments are given with application to heavy tailed distributions. We use techniques of fractional differentiation to obtain formulae for $E[|X-μ|^γ]$ with $1

研究动机与目标

• 为无限方差的重尾分布中分数阶绝对矩缺乏解析工具的问题提供解决方案。
• 利用特征函数和拉普拉斯变换，发展简便且可处理的 $\mathbb{E}[|X - \mu|^\gamma]$ 计算方法，其中 $1 < \gamma < 2$。
• 将分数阶矩理论应用于评估无限方差模型中的预测与估计误差，特别是在回归与参数估计中的应用。
• 为关键重尾分布（如稳定、帕累托、几何稳定和Linnik分布）提供分数阶矩的显式解析表达式。

提出的方法

• 将阶数为 $\gamma = 1 + \lambda$（$0 < \lambda < 1$）的Marchaud分数阶导数应用于分布的特征函数或拉普拉斯变换。
• 推导了用于计算分数阶绝对矩的公式 $\frac{d^{1+\lambda}}{dt^{1+\lambda}}f(t)\big|_{t=0} = \frac{\lambda}{\Gamma(1-\lambda)} \int_0^\infty \frac{f'(0) - f'(-u)}{u^{1+\lambda}} du$。
• 通过将特征函数分解为具有与不具有小跳跃的分量，将理论应用于无穷可分分布。
• 通过 $\int_{|x|>1} |x|^{1+\lambda} \nu(dx)$ 的可积性，建立 $\mathbb{E}[|X|^{1+\lambda}]$ 存在的必要与充分条件，其中 $\nu$ 为Lévy测度。
• 利用Fubini定理及涉及 $\int_0^\infty \frac{1 - \cos v}{v^{2+\lambda}} dv$ 和 $\int_0^\infty \frac{|\sin v|}{v^{2+\lambda}} dv$ 的积分恒等式，将矩的存在性与Lévy测度的行为联系起来。
• 将结果应用于复合泊松与椭球状稳定模型，推导出线性估计器的显式误差表达式。

实验结果

研究问题

• RQ1 如何高效计算无限方差重尾分布中阶数 $1 < \gamma < 2$ 的分数阶绝对矩？
• RQ2 特征函数的分数阶导数与分数阶绝对矩之间存在何种关系？
• RQ3 对于无穷可分分布，$\mathbb{E}[|X|^{1+\lambda}]$ 在何种条件下存在？
• RQ4 稳定、帕累托、几何稳定与Linnik分布的分数阶绝对矩的显式表达式是什么？
• RQ5 如何利用 $0 < p < 2$ 的分数阶 $L^p$ 损失来量化重尾模型中的预测与估计误差？

主要发现

• 对于具有特征函数 $\mathbb{E}[e^{i\boldsymbol{t}'\boldsymbol{\varepsilon}}] = e^{-|\boldsymbol{t}'\boldsymbol{I}\boldsymbol{t}|^{\alpha/2}}$ 的稳定误差向量 $\boldsymbol{\varepsilon}$，估计量误差的 $1+\lambda$ 阶矩为 $\mathbb{E}[|\widehat{\theta}_k - \theta_k|^{1+\lambda}] = \frac{\lambda \Gamma(1 - \frac{1+\lambda}{\alpha})}{\sin(\frac{\lambda\pi}{2}) \Gamma(1 - \lambda)} \overline{\sigma}_k^{1+\lambda}$，其中 $1 < 1+\lambda < \alpha$，$k=0,1$。
• 对于具有特征函数 $\mathbb{E}[e^{i\boldsymbol{t}'\boldsymbol{\varepsilon}}] \{1 + (\boldsymbol{t}'\boldsymbol{I}\boldsymbol{t})^{\alpha/2}\}^{-\beta}$ 的多变量Linnik向量，误差矩为 $\mathbb{E}[|\widehat{\theta}_k - \theta_k|^{1+\lambda}] = \frac{\lambda \beta B(1 - \frac{1+\lambda}{\alpha}, \beta + \frac{1+\lambda}{\alpha})}{\sin(\frac{\lambda\pi}{2}) \Gamma(1 - \lambda)} \overline{\sigma}_k^{1+\lambda}$，$k=0,1$，其中 $1 < 1+\lambda < \alpha$。
• 对于无穷可分分布，$\mathbb{E}[|X|^{1+\lambda}]$ 的存在性等价于在 $|x| > 1$ 上 $|x|^{1+\lambda}$ 关于Lévy测度 $\nu$ 的可积性。
• 分数阶绝对矩 $\mathbb{E}[|X|^{1+\lambda}]$ 可表示为特征函数在零处的分数阶导数，从而在许多情况下可实现无需数值积分的解析计算。
• 对于复合泊松模型，本文推导了 $\mathbb{E}[|\widehat{\theta}_k - \theta_k|^{1+\lambda}]$ 的显式表达式，其依赖于设计矩阵与误差结构，显示出对 $\sigma_k^{1+\lambda}$ 的依赖性。
• 该方法为 $0 < p < 2$ 的 $L^p$ 预测与估计误差提供了一个系统化的计算框架，将经典的 $L^2$ 方法扩展至无限方差设定。