[论文解读] New Dirichlet Mean Identities

Lancelot F. James|arXiv (Cornell University)|Aug 4, 2007

Bayesian Methods and Mixture Models参考文献 31被引用 7

一句话总结

本文引入了两种分布运算——将狄利克雷均值与一个独立的贝塔变量相乘，以及通过埃舍尔变换实现指数倾斜——以揭示看似无关的狄利克雷均值与广义伽马卷积（GGC）过程之间的隐藏关系。主要贡献是一个统一的框架，利用已知的某一狄利克雷均值的解析结果，推导出一整类相关随机变量及其相关列维过程的显式密度，特别是在贝叶斯非参数模型和无限可分分布的背景下。

ABSTRACT

An important line of research is the investigation of the laws of random variables known as Dirichlet means as discussed in Cifarelli and Regazzini(1990). However there is not much information on inter-relationships between different Dirichlet means. Here we introduce two distributional operations, which consist of multiplying a mean functional by an independent beta random variable and an operation involving an exponential change of measure. These operations identify relationships between different means and their densities. This allows one to use the often considerable analytic work to obtain results for one Dirichlet mean to obtain results for an entire family of otherwise seemingly unrelated Dirichlet means. Additionally, it allows one to obtain explicit densities for the related class of random variables that have generalized gamma convolution distributions, and the finite-dimensional distribution of their associated Lévy processes. This has implications in, for instance, the explicit description of Bayesian nonparametric prior and posterior models, and more generally in a variety of applications in probability and statistics involving Levy processes.

研究动机与目标

• 通过分布运算识别原本无关的狄利克雷均值之间的结构性关系。
• 通过变换技术将已知的某一狄利克雷均值的解析结果推广至一整类相关随机变量。
• 推导广义伽马卷积（GGC）分布随机变量及其相关列维过程的显式概率密度函数。
• 为与GGC相关的子序过程提供系统化方法，以计算其在 t ≤ 1/(1−α) 范围内的有限维分布，特别是针对 α 索引的类。
• 将这些运算应用于具体例子，如子序过程 Σα(t)，以获得密度和变换的闭式表达式。

提出的方法

• 引入一种涉及将狄利克雷均值与一个独立的贝塔随机变量相乘的分布运算，以生成新的、相关的均值泛函。
• 对广义伽马卷积（GGC）分布的随机变量的密度应用指数倾斜（埃舍尔变换），以推导新的分布律与关系。
• 利用马尔可夫-克雷因恒等式与柯西-斯蒂尔杰斯变换，将狄利克雷均值的分布性质与其底层列维测度联系起来。
• 利用贝塔-伽马代数及贝塔与伽马分布的性质，推导出随机表示，如 Σα(t) d= G1 × M1(FYσ/𝐺𝛼)。
• 通过定理2.2推导均值泛函 M1(FYσ/𝐺𝛼) 的密度，利用累积分布函数的正弦值与一个指数倾斜项。
• 结合子序过程表示与GGC结构，刻画 Σα(t) 在 t ≤ 1/(1−α) 范围内的有限维分布。

实验结果

研究问题

• RQ1 将独立的贝塔随机变量相乘如何揭示不同狄利克雷均值之间的隐藏关系？
• RQ2 指数倾斜（埃舍尔变换）对广义伽马卷积（GGC）随机变量的分布有何影响？
• RQ3 能否通过变换技术显式刻画GGC子序过程 Σα(t) 的有限维分布？
• RQ4 均值泛函 M1(FYσ/𝐺𝛼) 的闭式密度在 σ ∈ (0,1] 时是什么？
• RQ5 柯西-斯蒂尔杰斯变换与马尔可夫-克雷因恒等式如何促进相关狄利克雷均值显式密度的推导？

主要发现

• 随机变量 Bα = β1−α,α / βα,1 的密度被显式推导为 fBα(x) = [sin(π(1−α))/π] x−α−1 [1 − (1−x)^α I(x≤1)]，并证明其等于 M1(FY1−α/𝐺𝛼)。
• 对于 0 < α < 1，函数 Rα(x) = E[log(|t − 1/𝐺𝛼|) I(t ≠ 1/𝐺𝛼)] 被显式计算为：当 x > 1 时，Rα(x) = (1/(2(1−α)) log(x² / [(x−1)^2α − 2(x−1)^α cos(πα) + 1])；当 0 < x ≤ 1 时，Rα(x) = (1/(1−α)) log(x / [1 − (1−x)^α])。
• M1(FYσ/𝐺𝛼) 的密度为 fα,σ(x) = [x^{−σα/(1−α)−1}/π] sin(πσ) [1 − (1−x)^α]^{σ/(1−α)}，其中 0 < x ≤ 1；当 x > 1 时，fα,σ(x) = [x^{−σα/(1−α)−1}/π] sin(πσ F𝐺𝛼(1/x)) [(x−1)^{2α} − 2(x−1)^α cos(πα) + 1]^{σ/(2(1−α))}。
• GGC(1−α, F1/𝐺𝛼) 子序过程 Σα(t) 在 t ≤ 1/(1−α) 范围内的有限维分布被刻画：每个 Σα(Ci) 的分布为 G1 × M1(FYσi/𝐺𝛼)，其中 σi = (1−α)|Ci|，且 M1(FYσi/𝐺𝛼) 的密度为 fα,σi(x)。
• 子序过程 Σα(t) 满足 Σα(t) d= G1 × β1−α,α / U^{1/α}，该表示使得可通过独立性与已知的伽马-贝塔关系推导出完整的有限维分布。
• 该方法可将某一狄利克雷均值的解析结果转移至一整类相关均值，显著减少在贝叶斯非参数与列维过程应用中重复推导的需求。