[论文解读] Sharp moment and exponential tail estimates for U-statistics

Eugeny Ostrovsky, L. Sirota|arXiv (Cornell University)|Jan 31, 2016

Stochastic processes and financial applications参考文献 11被引用 3

一句话总结

本文通过使用鞅表示和广义勒贝格空间，建立了U统计量的精确、非渐近的矩和指数尾部估计。证明了归一化U统计量的矩和尾部行为受核在 $ G\tilde{\rho}_d $ 中的范数影响，其界至多相差一个乘法常数，即使核不具有指数矩，该界仍为最优。

ABSTRACT

We obtain in this paper a non-asymptotic non-improvable up to multiplicative constant moment and exponential tail estimates for distribution for U-statistics by means of martingale representation. We show also the exactness of obtained estimations in one way or another by providing appropriate examples.

研究动机与目标

• 推导U统计量的非渐近、精确矩和尾部估计，其最优性仅相差一个乘法常数。
• 将矩和尾部估计扩展至核不满足经典Cramér条件（即无指数矩）的情形。
• 通过显式反例和构造证明界的确切性。
• 将U统计量的尾部行为与核的广义勒贝格范数联系起来，实现基于弱尾部假设的界。
• 证明所导出的界在一般情况下不可改进，即使在最弱的矩条件下亦然。

提出的方法

• 利用U统计量的鞅表示，将其分解为按秩 $ r \leq m \leq d $ 索引的鞅差分之和。
• 应用鞅的矩不等式，特别是基于Osekowski的工作，以控制归一化U统计量的 $ L^p $-范数。
• 采用广义勒贝格空间 $ G\psi $ 框架，刻画核 $ \Phi $ 的尾部行为，从而允许亚指数和弱重尾分布。
• 推导关键不等式 $ \left| \frac{U(n)}{\sigma(n)} \right|_p \leq C(d,r) \left( \frac{p}{\log p} \right)^d |\Phi|_p $，将U统计量的 $ L^p $-范数与核的范数联系起来。
• 通过矩与尾部函数之间的对偶性，特别是通过 $ \psi $-函数的逆，将 $ L^p $-范数界转化为尾部估计。
• 使用例子表明界是精确的，包括核仅具有多项式或对数尾部衰减的情形。

实验结果

研究问题

• RQ1 能否为U统计量推导出在乘法常数意义下最优的精确、非渐近矩估计？
• RQ2 U统计量的尾部行为和矩如何依赖于核 $ \Phi $ 的尾部性质，特别是当 $ \Phi $ 缺乏指数矩时？
• RQ3 所导出的界 $ \left| \frac{U(n)}{\sigma(n)} \right|_p \leq C(d,r) \left( \frac{p}{\log p} \right)^d |\Phi|_p $ 是否最优？能否通过反例证明？
• RQ4 是否能直接用核 $ \Phi $ 的尾部函数表达归一化U统计量的尾部估计，而无需更高阶矩假设？
• RQ5 当核 $ \Phi $ 属于广义勒贝格空间 $ G\psi $ 时，这些界在多大程度上仍为最优？这与Orlicz型尾部估计有何关联？

主要发现

• 本文建立了精确界 $ \left| \frac{U(n)}{\sigma(n)} \right|_p \leq C(d,r) \left( \frac{p}{\log p} \right)^d |\Phi|_p $（$ p \geq 2 $），其对 $ p $ 的依赖关系优于以往的 $ p^d / \log p $ 形式。
• 由核的尾部 $ T_\Phi(x) \leq \exp(-C_5 x^m \log^{-mr}x) $ 推导出尾部估计 $ \sup_n T_{U(n)/\sigma(n)}(x) \leq \exp\left( -C_8 x^{m/(1+dm)} \log^{-m(r-d)/(1+dm)} x \right) $，表明弱尾部的传播。
• 对于满足 $ \psi(p) = \exp(C_3 p^\beta) $ 的 $ G\psi $ 中的核，证明了界 $ \sup_n T_{U(n)/\sigma(n)}(x) \leq \exp(-C_{13} [\ln(1+x)]^{1+1/\beta}) $ 不可改进。
• 证明了界 $ \sup_n \| U(n)/\sigma(n) \|_{G\psi_d} \leq C(d,r) \| \Phi \|_{G\psi} $，建立了广义勒贝格空间中核与U统计量范数之间的直接联系。
• 作者通过构造尾部衰减与所导上界完全匹配的例子，证明了界不可改进，从而验证了其最优性。
• 结果 $ \| U(n) \|_{G\psi_d} \asymp \sigma(n) \asymp \| U(n) \|_{L^{(M_d)}} $ 确认了在不同函数空间中范数的一致性，验证了该框架的有效性。