[论文解读] Parametric inference for stochastic differential equations: a smooth and match approach

Shota Gugushvili, Peter Spreij|arXiv (Cornell University)|Nov 4, 2011

Statistical Methods and Inference参考文献 15被引用 7

一句话总结

本文提出了一种用于离散观测的遍历扩散过程中的参数推断的新型平滑-匹配估计器。首先通过核平滑非参数估计不变密度，然后将其与由福克-普朗克方程导出的理论不变密度进行匹配，通过最小化准则函数来估计漂移和扩散参数。在正则条件下，该方法实现了 √n-一致性与渐近正态性，且通过一步修正可进一步提升渐近效率。

ABSTRACT

We study the problem of parameter estimation for a univariate discretely observed ergodic diffusion process given as a solution to a stochastic differential equation. The estimation procedure we propose consists of two steps. In the first step, which is referred to as a smoothing step, we smooth the data and construct a nonparametric estimator of the invariant density of the process. In the second step, which is referred to as a matching step, we exploit a characterisation of the invariant density as a solution of a certain ordinary differential equation, replace the invariant density in this equation by its nonparametric estimator from the smoothing step in order to arrive at an intuitively appealing criterion function, and next define our estimator of the parameter of interest as a minimiser of this criterion function. Our main results show that under suitable conditions our estimator is $\sqrt{n}$-consistent, and even asymptotically normal. We also discuss a way of improving its asymptotic performance through a one-step Newton-Raphson type procedure and present results of a small scale simulation study.

研究动机与目标

• 开发一种计算高效且理论基础坚实的参数推断方法，适用于离散观测的遍历扩散过程。
• 解决当转移密度难以计算或计算成本过高时，基于似然的推断所面临的挑战。
• 构造一种估计器，避免近似最大似然方法的数值复杂性，同时保持强渐近性质。
• 为所提出的平滑-匹配估计器建立理论保证，包括 √n-一致性与渐近正态性。
• 通过一步牛顿-拉夫森修正过程提升渐近效率。

提出的方法

• 该方法包含两个阶段：第一阶段使用核密度估计进行平滑处理，以从离散观测中非参数估计不变密度。
• 在匹配阶段，理论不变密度被表征为由福克-普朗克方程导出的二阶常微分方程的解。
• 将非参数密度估计结果代入该常微分方程中的真实不变密度，形成需在参数空间上最小化的准则函数。
• 参数估计量被定义为该准则函数的最小化点，构成基于平滑-匹配原理的M-估计器。
• 通过在真实参数附近对准则函数进行泰勒展开，建立渐近正态性，依赖于密度估计量的弱收敛性。
• 对初始估计量应用一步牛顿-拉夫森校正，以降低其渐近方差，从而提升效率。

实验结果

研究问题

• RQ1 能否将非参数平滑步骤与参数匹配步骤有效结合，以生成SDE参数的一致且高效的估计器？
• RQ2 在正则条件下，所得的平滑-匹配估计器是否能达到 √n-一致性与渐近正态性？
• RQ3 在计算可行性与统计效率方面，平滑-匹配估计器相较于基于似然或Z-估计器的方法表现如何？
• RQ4 一步修正过程是否能显著降低初始平滑-匹配估计器的渐近方差？
• RQ5 漂移与扩散系数需满足何种充分正则条件，才能确保估计器的理论性质？

主要发现

• 在正则条件下，所提出的平滑-匹配估计器具有 √n-一致性，确保以标准参数速率收敛。
• 该估计器渐近正态，其极限方差可通过费舍尔信息量与准则函数曲率显式表征。
• 通过一步牛顿-拉夫森校正，初始估计器的渐近方差得以降低，从而提升效率。
• 非参数密度估计量对真实不变密度的收敛性足以保证准则函数及估计器的一致性。
• 理论分析依赖于估计密度及其导数的一致收敛性，借助弱收敛性论证，并在概率论中使用柯西-施瓦茨不等式。
• 该方法避免了显式计算转移密度，因此适用于似然计算不可行的模型，如CIR过程。