[论文解读] New Berry-Esseen and Wasserstein bounds in the CLT for non-randomly centered random sums by probabilistic methods

Christian Döbler|arXiv (Cornell University)|Apr 22, 2015

Point processes and geometric inequalities参考文献 26被引用 8

一句话总结

本文通过结合 Stein 方法与大小偏倚及零偏倚耦合，为非随机中心化的随机和建立了新的显式 Berry-Esseen 和 Wasserstein 误差界。这些界在阶的数量级上对二项分布、泊松分布和超几何分布等常见分布是精确的，并通过将索引 $N$ 与其大小偏倚版本 $N^s$ 耦合，有效处理了非中心化和项，克服了以往方法在非中心化情形下失效的局限性。

ABSTRACT

We prove abstract bounds on the Wasserstein and Kolmogorov distances between non-randomly centered random sums of real i.i.d. random variables with a finite third moment and the standard normal distribution. Except for the case of mean zero summands, these bounds involve a coupling of the summation index with its size biased distribution as was previously considered in \cite{GolRin96} for the normal approximation of nonnegative random variables. When being specialized to concrete distributions of the summation index like the Binomial, Poisson and Hypergeometric distribution, our bounds turn out to be of the correct order of magnitude.

研究动机与目标

• 推导独立同分布随机变量非随机中心化随机和的正态近似误差的显式、精确界，其和项具有有限的三阶矩。
• 弥补现有文献中的空白：以往的界或缺乏显式表达，或在和项非中心化时无法保证收敛。
• 通过引入和项索引 $N$ 与其大小偏倚版本 $N^s$ 之间的耦合，将 Stein 方法的应用范围扩展至非中心化随机和。
• 确保当应用于具体分布（如二项分布、泊松分布和超几何分布）时，界保持正确的阶的数量级。
• 提供一个统一的框架，适用于 Kolmogorov 距离与 Wasserstein 距离，克服了以往方法仅限于单一度量或需中心化处理的局限性。

提出的方法

• 本文采用 Stein 方法进行正态近似，结合大小偏倚与零偏倚耦合构造，以控制随机索引 $N$ 与和项之间的依赖关系。
• 关键技巧是将索引 $N$ 与其大小偏倚版本 $N^s$ 进行耦合，从而在非中心化和中实现对依赖结构的精确控制。
• 通过条件期望 $E[|V| \mid N, N^s]$ 和 $E[V^2 \mid N, N^s]$ 控制误差，推导出 Wasserstein 距离与 Kolmogorov 距离的界。
• 利用给定 $N$ 和 $N^s$ 时 $W_N$ 与 $V$ 的条件独立性，通过指示函数与截断函数 $J$ 将误差分解为可管理的组成部分。
• 该方法依赖 Cauchy-Schwarz 不等式与矩不等式，以控制 $D = N - \alpha$（其中 $\alpha = E[N]$）相关项，并控制误差分解中 $N^{-1/2}$ 与 $N^{-1/2}$ 项的行为。
• 该框架被应用于具体分布（如二项分布、泊松分布、超几何分布），结果表明所导出的界在阶的数量级上是正确的，从而在经验上验证了理论结果。

实验结果

研究问题

• RQ1 能否通过概率耦合方法，为非随机中心化随机和推导出正态近似误差的显式、精确界？
• RQ2 当经典方法因缺乏中心化而失效时，如何将 Stein 方法适配以处理非中心化和项？
• RQ3 当和项未中心化时，所推导的 Wasserstein 与 Kolmogorov 距离界在标准分布（如二项分布与泊松分布）上是否仍保持正确的阶的数量级？
• RQ4 将索引 $N$ 与其大小偏倚版本 $N^s$ 进行耦合，是否能为非中心化和的 CLT 误差提供一个稳健的界？
• RQ5 在显式程度与对非中心化情形的适用性方面，所提出的界在多大程度上优于现有结果？

主要发现

• 本文推导出非随机中心化随机和与标准正态分布之间 Wasserstein 距离与 Kolmogorov 距离的新上界，这些界是显式的，且仅依赖于和项的矩与 $N$ 的分布。
• 当应用于二项分布、泊松分布与超几何分布时，这些界在阶的数量级上是正确的，即使和项未中心化亦成立。
• 通过 $N$ 与 $N^s$ 之间的大小偏倚耦合，成功在非中心化情形下导出精确界，而以往方法在该情形下失效或过于隐式。
• 在均值为零的情形下，这些界退化为已知结果，确认了与现有理论的一致性。
• 这些界对 Wasserstein 与 Kolmogorov 度量均有效，且该方法足够稳健，可在较弱的矩条件下处理非同分布和项。
• 该框架成功捕捉了如二项分布与泊松和等随机和在和项未中心化时的收敛行为，解决了以往工作中存在的关键局限性。