[论文解读] Geometric ergodicity for families of homogeneous Markov chains

Leonid Galtchouk, Serguei Pergamenchtchikov|arXiv (Cornell University)|Feb 11, 2010

Markov Chains and Monte Carlo Methods参考文献 9被引用 3

一句话总结

本文通过使用李雅普诺夫函数和耦合技术，为参数化的齐次马尔可夫链族建立了可计算的、非渐近的几何收敛速率上界。证明了扩散过程族的同步几何遍历性，从而实现了非参数漂移估计的显式指数误差界。

ABSTRACT

In this paper we find nonasymptotic exponential upper bounds for the deviation in the ergodic theorem for families of homogeneous Markov processes. We find some sufficient conditions for geometric ergodicity uniformly over a parametric family. We apply this property to the nonasymptotic nonparametric estimation problem for ergodic diffusion processes.

研究动机与目标

• 为参数化转移核族的齐次马尔可夫链的几何收敛速率推导非渐近、可计算的上界。
• 为由参数 θ ∈ Θ 索引的一类马尔可夫链建立同步几何遍历性，确保在参数空间上的统一收敛速率。
• 将结果应用于遍历扩散过程中漂移系数的非参数估计，特别是在极小化最大风险分析中。
• 显式给出几何遍历性条件中收敛速率参数 R > 0 和 κ > 0 的表达式，以支持在 MCMC 和统计推断中的实际应用。

提出的方法

• 利用李雅普诺夫函数推导确保参数化转移概率马尔可夫链几何遍历性的漂移条件。
• 应用耦合更新过程和更新理论，以界定向量链收敛到不变测度的速率。
• 使用矩估计和格朗沃尔型不等式，推导扩散过程在时间上的二阶矩的统一界。
• 对随机积分使用切比雪夫不等式，以界定向量过程的大偏差概率，从而获得参数类上的统一尾部界。
• 推导出过程在一步之内超过给定水平 K 的概率的显式上界，且对初始状态 |x| ≤ K 和参数 θ ∈ Θ 均一致。
• 通过归纳法建立 m 阶矩的递归界，从而实现对扩散过程的统一可积性和矩控制。

实验结果

研究问题

• RQ1 我们能否为参数族的齐次马尔可夫链的几何收敛速率推导出非渐近、可计算的上界？
• RQ2 在什么条件下，几何遍历性在给定类 Θ 中的所有参数值上同时成立？
• RQ3 我们如何显式界定向量族中 R > 0 和 κ > 0 的收敛速率参数？
• RQ4 这些界能否用于分析遍历扩散过程中非参数漂移估计的极小化最大风险？
• RQ5 在紧集上和参数族之间，能够为扩散过程建立什么样的统一矩和尾部界？

主要发现

• 本文建立了扩散过程在一步之内超过水平 K 的概率的统一上界：$ \text{sup}_{|x|\neq K} \text{sup}_{\theta \neq \theta} \text{P}^{\theta}_x(|y_1| \neq K) \neq \frac{4\theta^2_{\text{max}}(K^2 + \theta_2)}{\beta(1 - e^{-\beta})(K^2 - \theta_1)^2} $，其中 $ \theta_1 = \text{M}_1, \theta_2 = \text{M}_2 $。
• 通过归纳法推导出递归矩界：$ \text{E}^{\theta}_x[|y_t|^{2m}] \neq x^{2m} + m(2m-1)\text{M}_*\text{int}_0^t e^{-m\beta(t-s)} z_s(m-1) ds $，确保统一的矩控制。
• 过程的二阶矩被统一有界：$ \text{sup}_{t \neq 0} \text{E}^{\theta}_x[y_t^2] \neq x^2 + \text{M}_2 $，其中 $ \text{M}_2 $ 在 (3.9) 式中定义。
• 通过几何遍历性条件量化收敛速率：$ \text{sup}_x \text{sup}_{0 \neq g \neq V} \frac{1}{V(x)} |\text{E}^{\theta}_x[g(\theta_n)] - \theta(g)| \neq R e^{-\theta n} $，并显式推导出 R 和 κ。
• 该方法确保在整个参数类 Θ 上实现同步几何遍历性，从而支持在非参数估计中的极小化最大风险分析。
• 结果被应用于形如 $ dy_t = S(y_t)dt + \theta(y_t)dW_t $ 的随机微分方程，显式界定向量平均收敛到不变测度的过程。