[论文解读] General Covariance-Based Conditions for Central Limit Theorems with Dependent Triangular Arrays

Arun G. Chandrasekhar, Matthew O. Jackson+2 more|arXiv (Cornell University)|Aug 24, 2023

Statistical Methods and Bayesian Inference被引用 6

一句话总结

本文通过斯坦方法推导出基于简单、可解释的协方差条件，提出了一种针对依赖性三角数组的新型中心极限定理。该定理统一并推广了现有依赖结构（如 $M$-依赖、混合场、自回归过程和依赖图），使得在具有全局或复杂依赖性的设定下（包括存在溢出效应的处理效应、流行病模型以及具有马特恩协方差的空间过程）也能实现渐近正态性。

ABSTRACT

We present a general central limit theorem with simple, easy-to-check covariance-based sufficient conditions for triangular arrays of random vectors when all variables could be interdependent. The result is constructed from Stein's method, but the conditions are distinct from related work. We show that these covariance conditions nest standard assumptions studied in the literature such as $M$-dependence, mixing random fields, non-mixing autoregressive processes, and dependency graphs, which themselves need not imply each other. This permits researchers to work with high-level but intuitive conditions based on overall correlation instead of more complicated and restrictive conditions such as strong mixing in random fields that may not have any obvious micro-foundation. As examples of the implications, we show how the theorem implies asymptotic normality in estimating: treatment effects with spillovers in more settings than previously admitted, covariance matrices, processes with global dependencies such as epidemic spread and information diffusion, and spatial process with Matérn dependencies.

研究动机与目标

• 为随机向量三角数组在任意依赖结构下的中心极限定理，构建一个通用且可解释的框架。
• 以高层级、直观的协方差条件替代以往难以验证的严格依赖假设（如强混合性、空间嵌入等）。
• 在以往条件不适用的场景中实现渐近正态性，例如全局依赖或非混合过程（如流行病传播与网络溢出效应）。
• 提供一个统一的理论基础，能够嵌套并扩展现有依赖模型，而无需对依赖结构提供微观基础。
• 通过简化渐近正态性的验证过程，促进应用计量经济学、空间统计学与网络分析中的稳健推断。

提出的方法

• 利用斯坦方法推导中心极限定理，重点在于斯坦方程：$\mathbb{E}[Y f(Y)] = \mathbb{E}[f'(Y)]$，其中 $Y$ 为标准正态随机变量。
• 提出三个高层级、基于协方差的条件，易于验证，并能推出依赖性三角数组的渐近正态性。
• 引入关联集 $\mathcal{A}_i^n$ 以分组具有强局部依赖性的变量，从而控制交叉项协方差。
• 采用涉及 $K = o(n)$ 和 $\Omega_n = \left(\sum_i \sum_{j \in \mathcal{A}_i^n} \mathbb{E}[Z_i Z_j]\right)^{1/2}$ 的速率分析，以控制高阶矩并确保收敛性。
• 通过一致紧致性与矩条件（如有限四阶矩）控制尾部行为与条件期望。
• 证明所提条件可由标准模型（如 $M$-依赖、混合场、依赖图）推出，但反之不成立。

实验结果

研究问题

• RQ1 能否在不依赖严格混合性或结构假设的前提下，为具有任意依赖性的三角数组推导出一种通用且可解释的渐近正态性条件？
• RQ2 所提出的基于协方差的条件是否能够统一或包含现有依赖模型，如 $M$-依赖、混合随机场与依赖图？
• RQ3 该定理是否可应用于非衰减或全局依赖的设定（如流行病传播或网络溢出效应），其中传统混合条件不成立？
• RQ4 在鞅结构或强混合性不适用的情况下，斯坦方法框架是否足以在这些一般协方差条件下推导出中心极限定理？
• RQ5 在复杂模型（如马特恩空间过程或神经网络广义最小二乘估计量）中，这些条件是否可在实际中验证？

主要发现

• 所提出的基于协方差的条件足以保证任意依赖结构下三角数组的渐近正态性，包括非混合与全局依赖过程。
• 这些条件在 $M$-依赖、混合随机场、非混合自回归过程与依赖图等模型中均成立，且这些模型之间互不嵌套。
• 该定理可实现对存在溢出效应的处理效应估计中的渐近正态性，即使所有变量均相关，而此前条件在此类情形下均不成立。
• 该方法适用于具有马特恩协方差的空间过程，其中长程依赖破坏了标准混合假设。
• 在协方差矩阵估计设定中验证了条件，显示条件期望项相对于 $\Omega_n$ 呈 $o(nK)$ 的尺度，确保收敛性。
• 该框架避免了对微观基础依赖结构（如网络中的空间嵌入）的依赖，为应用研究提供了更具弹性的替代方案。