[论文解读] On the Conditional Distribution of the Multivariate $t$ Distribution

Peng Ding|arXiv (Cornell University)|Apr 2, 2016

Advanced Statistical Methods and Models参考文献 12被引用 5

一句话总结

本文通過引入潛在縮放變數 q 的常態混合表達式，提供了一個透明且直觀的證明，表明多變量 t 分佈的條件分佈本身也是一個多變量 t 分佈。結果顯示，給定 X₁ 時，X₂ 服從具有更新後位置、尺度與自由度 ν + p₁ 的 t 分佈。

ABSTRACT

As alternatives to the normal distributions, $t$ distributions are widely applied in robust analysis for data with outliers or heavy tails. The properties of the multivariate $t$ distribution are well documented in Kotz and Nadarajah's book, which, however, states a wrong conclusion about the conditional distribution of the multivariate $t$ distribution. Previous literature has recognized that the conditional distribution of the multivariate $t$ distribution also follows the multivariate $t$ distribution. We provide an intuitive proof without directly manipulating the complicated density function of the multivariate $t$ distribution.

研究动机与目标

• 修正文獻中長期存在的誤解，即多變量 t 分佈的條件分佈不是 t 分佈。
• 提供一個清晰且直觀的證明，不依賴複雜的機率密度函數運算。
• 展示條件分佈保有 t 分佈形式，且參數（包括自由度）已更新。
• 強調其在穩健統計建模中的影響，特別是在涉及重尾資料的層級與貝葉斯架構中。

提出的方法

• 使用常態混合表達式：X = μ + Σ¹ᐟ²Z / √q，其中 Z ~ N(0, I) 且 q ~ χ²(ν)/ν，以表示多變量 t 分佈。
• 對潛在變數 q 進行條件化，利用多變量常態分佈的性質，推導 X₂ 依附於 X₁ 和 q 的條件分佈。
• 透過資料增強架構，利用全概率法則對 q 依附於 X₁ 的條件分佈進行積分。
• 透過重新參數化與尺度調整，識別出最終條件分佈的形態為多變量 t 分佈。
• 引入縮放因子 √((ν + p₁)/(ν + d₁))，以顯示標準化殘差與 X₁ 獨立，揭示一項關鍵結構性性質。
• 使用舒爾補 Σ₂₂|₁ 表達條件尺度矩陣，確保正確的變異數-共變異數結構。

实验结果

研究问题

• RQ1 多變量 t 分佈的條件分佈是否仍為多變量 t 分佈，與 Kotz 和 Nadarajah (2004) 的主張相反？
• RQ2 能否在不直接操作複雜多變量 t 分佈密度函數的情況下推導出條件分佈？
• RQ3 條件分佈的更新參數（位置、尺度、自由度）為何？
• RQ4 條件分佈是否表現出 X₁ 與變換後殘差之間的獨立性？若成立，其條件為何？
• RQ5 條件分佈的尾部行為與原始分佈相比如何，特別是在自由度方面的差異？

主要发现

• 給定 X₁ 時，X₂ 的條件分佈為多變量 t 分佈，其位置參數為 μ₂|₁ = μ₂ + Σ₂₁Σ₁₁⁻¹(X₁ − μ₁)。
• 條件分佈的尺度矩陣乘以因子 (ν + d₁)/(ν + p₁)，其中 d₁ = (X₁ − μ₁)ᵀΣ₁₁⁻¹(X₁ − μ₁)。
• 條件分佈的自由度由 ν 增加至 ν + p₁，降低尾部的厚重程度。
• 標準化殘差 √((ν + p₁)/(ν + d₁))(X₂ − μ₂|₁) 依附於 X₁ 時，服從位置為 0、尺度矩陣為 Σ₂₂|₁、自由度為 ν + p₁ 的多變量 t 分佈。
• X₁ 與變換後殘差 √((ν + p₁)/(ν + d₁))(X₂ − μ₂|₁) 獨立，此性質從原始多變量 t 分佈中並不明顯。
• 當 ν = 1（多變量柯西分佈）時，邊際期望不存在，但由於條件分佈中自由度增加，條件期望仍存在。