[论文解读] Rates of convergence for constrained deconvolution problem

Denis Belomestny|ArXiv.org|Jun 16, 2003

Statistical Methods and Inference参考文献 8被引用 5

一句话总结

本文提出了一种非参数去卷积估计器，用于独立同分布随机变量 $ X_i $ 的密度 $ p(x) $，其中可观测到 $ Z_i = \alpha X_i + \beta Y_i $，且 $ \alpha, \beta > 0 $，$ Y_i $ 与 $ X_i $ 独立同分布。通过基于特征函数的反演估计器，结合截断与正则化，本文建立了均方积分误差（MISE）的收敛速率，表明在 $ X $ 与 $ Y $ 属于同一分布族的约束下，其收敛速率优于经典去卷积方法。

ABSTRACT

Let $X$ and $Y$ be two independent identically distributed random variables with density $p(x)$ and $Z=αX+βY$ for some constants $α>0$ and $β>0$. We consider the problem of estimating $p(x)$ by means of the samples from the distribution of $Z$. Non-parametric estimator based on the sync kernel is constructed and asymptotic behaviour of the corresponding mean integrated square error is investigated.

研究动机与目标

• 解决 $ X $ 与 $ Y $ 独立同分布但仅可观测到 $ Z = \alpha X + \beta Y $ 的受约束去卷积问题。
• 基于 $ Z $ 的独立同分布样本，构造 $ X $ 的密度 $ p(x) $ 的非参数估计器，假设 $ Y $ 的分布未知，但 $ X $ 与 $ Y $ 属于同一参数族。
• 分析所提估计器的均方积分误差（MISE）的渐近行为，并在 $ Z $ 的特征函数满足正则性条件时，推导其收敛速率。
• 证明在稳定分布设定下，受约束去卷积设置可实现比经典去卷积更快的收敛速率。

提出的方法

• 定义 $ Z/\beta $ 的特征函数 $ g(t) $，其可分解为 $ f(t)f(\gamma t) $，其中 $ \gamma = \alpha/\beta < 1 $，从而可通过无限乘积递归重构 $ f(t) $。
• 从独立同分布样本 $ Z_1, \dots, Z_n $ 构造经验特征函数估计器 $ g_n(t) $，并定义估计器 $ \hat{f}_n(t) $ 为在缩放频率处 $ g_n $ 的比值的截断无限乘积。
• 通过 $ \hat{f}_n(t) $ 的逆傅里叶变换构造密度估计器 $ \hat{p}_{nN}(x) $，其中频率截断点 $ 1/h_n $ 由经验特征函数的大小及调参序列 $ \varepsilon_n, c_n $ 决定。
• 采用 $ N $ 项截断，并通过 $ \varepsilon_n = A n^{-1/2} \log^{1/2} n $ 和 $ c_n \leq \phi^{-1}(2\varepsilon_n) $（其中 $ \phi(t) = |g(t)| $）进行正则化，以控制偏差与方差。
• 利用浓度不等式与矩界控制 $ g_n(t) $ 与 $ g(t) $ 的偏离，并通过 $ L^2 $-范数分解与特征函数衰减性质，推导 MISE 的界。
• 通过将 MISE 分解为偏差（截断与近似误差）与方差（估计误差）两部分，建立 MISE 的界，明确其对 $ n $、$ N $、$ \gamma $ 与 $ r $ 阶矩的依赖关系。

实验结果

研究问题

• RQ1 在 $ X $ 与 $ Y $ 独立同分布的受约束去卷积问题中，均方积分误差（MISE）的最优收敛速率是什么？
• RQ2 在矩与特征函数正则性条件下，所提基于特征函数的估计器的 MISE 渐近行为如何？
• RQ3 在 $ X $ 与 $ Y $ 属于同一分布族的受约束去卷积设定下，是否可实现比经典去卷积更快的收敛速率？
• RQ4 截断特征函数的无限乘积表示对 MISE 的影响如何？截断水平 $ N $ 应如何选择？

主要发现

• 在矩与特征函数正则性条件下，所提估计器 $ \hat{p}_{nN} $ 的 MISE 满足 $ D\left[\frac{2^N c_n}{n \varphi^2(c_n)} + \frac{\gamma^{2rN} c_n^{r+1}}{(1 - \gamma^{r/2})^2}\right] + \frac{1}{2\pi}\int_{|t|>c_n} |f(t)|^2 dt $ 的上界。
• 对于特征函数满足 $ |\mathbb{E}e^{itZ}| = e^{-b|t|^a} $ 的稳定分布，MISE 满足 $ \mathop{\rm MISE}(\hat{p}_{nN}) \leq C(\log n)^{(1+a)/a} \cdot n^{-1/(2 + \gamma^{1/a} - \ln 2 / ((a - \delta)\ln \gamma))} $（$ a > \delta > 0 $），表明其收敛速率优于经典去卷积方法。
• 在稳定分布假设下，收敛速率快于经典方法的 $ \log^{-p}(n) $ 速率，表明约束 $ X \stackrel{d}{=} Y $ 可提升统计效率。
• 估计器 $ \hat{p}_{nN} $ 可能不是有效密度（即可能为负或积分不为一），但通过截断与正则化，MISE 分析可控制此问题。
• 由于经验特征函数值过小导致估计失败的概率以 $ O(1/n) $ 速率衰减，表明在弱条件下估计器具有一致性。
• 选择 $ N = \nu \log n $，$ c_n = (\zeta \log n)^{1/a} $，其中 $ \nu, \zeta > 0 $ 适当，可实现偏差与方差的合理权衡，达到所声明的 MISE 收敛速率。