[论文解读] Monte Carlo Estimation for Imprecise Probabilities: Basic Properties

Arne Decadt, Gert de Cooman+1 more|arXiv (Cornell University)|May 22, 2019

Statistical Methods and Inference参考文献 12被引用 5

一句话总结

本文建立了在模糊概率下蒙特卡洛估计量对下期望的基础统计性质，重点研究偏差和一致性。证明了偏差为负且随样本量增加而减小，并提供了强一致性的实用条件，包括对现有估计量的一致性证明以及一个反例，说明在何种情况下一致性会失效。

ABSTRACT

We describe Monte Carlo methods for estimating lower envelopes of expectations of real random variables. We prove that the estimation bias is negative and that its absolute value shrinks with increasing sample size. We discuss fairly practical techniques for proving strong consistency of the estimators and use these to prove the consistency of an example in the literature. We also provide an example where there is no consistency.

研究动机与目标

• 研究模糊概率模型中下期望的蒙特卡洛估计量的理论性质。
• 解决模糊蒙特卡洛方法中偏差和一致性的详细理论分析不足的问题，尤其是与经典蒙特卡洛方法相比。
• 为基于从单一分布抽样并转换样本以表示集合中多个测度的估计量，提供实用且可检验的一致性证明条件。
• 通过实例展示理论的适用性，包括对文献中已知估计量的一致性证明，以及一个一致性失效的案例。

提出的方法

• 本文提出了一类估计量的一般形式 $\hat{\underline{\mathrm{E}}}_{n}^{\mathscr{P}}(f) = \inf_{t \in T} \frac{1}{n} \sum_{k=1}^{n} f_t(X_k^P)$，其中样本从单一分布 $P$ 中抽取，并通过变换表示集合 $\mathscr{P}$ 中的其他分布。
• 采用重要性采样和参数变换技术，生成不同概率测度之间的相关估计，相较于对每个测度独立采样，可降低偏差。
• 理论分析依赖于对参数空间 $T$、得分函数的可积性以及似然比及其导数的有界性等条件，证明强一致性。
• 本文应用定理 3.16 来验证密度比及其梯度的可积性和一致有界性，从而支持一致性证明。
• 关键环节是通过有界 $L^1$-范数来控制密度关于参数的梯度，确保一致性条件得以满足。
• 通过两个实例验证该方法：一个证明了文献中现有估计量的一致性，另一个展示了由于参数空间无界或密度行为异常，导致一致性失效的情形。

实验结果

研究问题

• RQ1 在模糊概率模型中，下期望的蒙特卡洛估计量的偏差行为如何？
• RQ2 在何种条件下，所提出的蒙特卡洛估计量是强一致的？
• RQ3 与对 $\mathscr{P}$ 中每个测度独立采样的朴素估计量相比，偏差如何降低？
• RQ4 该理论框架能否用于证明文献中现有估计量的一致性？
• RQ5 是否存在无法实现一致性的案例？若存在，哪些结构性条件会导致这种情况？

主要发现

• 所提出的下期望蒙特卡洛估计量的偏差被证明为负，且其绝对值随样本量增加而减小。
• 本文提供了估计量强一致性的充分条件，基于得分函数的可积性以及似然比及其梯度的有界性。
• 通过一个文献中估计量的实际一致性证明，验证了理论框架的适用性。
• 构造了一个估计量不一致的实例，原因在于参数空间或密度行为的无界性，从而说明了条件必要性。
• 通过从单一分布抽样并转换样本以生成多个测度的估计，该方法通过诱导估计间的相关性，实现了偏差降低。
• 该理论框架具有足够的通用性，可涵盖重要性采样及其他基于变换的方法，并提供了明确的适用条件。