[论文解读] The Central Limit Theorem for Linear Eigenvalue Statistics of the Sum of Independent Matrices of Rank One

Olivier Guédon, Anna Lytova+2 more|arXiv (Cornell University)|Oct 9, 2013

Random Matrices and Applications参考文献 6被引用 4

一句话总结

本文建立了由独立同分布的各向同性向量构成的秩一矩阵之和所形成的大型随机矩阵的线性特征值统计量的中心极限定理（CLT）。在向量为“极好”向量——即确保矩和尾部控制的“好”向量的子类——的条件下，证明了归一化的特征值计数收敛于高斯分布，将先前关于特征值分布极限的结果扩展至波动行为。

ABSTRACT

We consider $n imes n$ random matrices $M_{n}=\sum_{α=1}^{m}{τ_{α}}\mathbf{y}_{α}\otimes \mathbf{y}_{α}$, where $τ_{α}\in \mathbb{R}$, $\{\mathbf{y}_{α}\}_{α=1}^{m}$ are i.i.d. isotropic random vectors of $\mathbb{R}^n$, whose components are not necessarily independent. It was shown in arXiv:0710.1346 that if $m,n ightarrow \infty$, $m/n ightarrow c\in \lbrack 0,\infty )$, the Normalized Counting Measures of $\{τ_{α}\}_{α=1}^{m}$ converge weakly and $\{\mathbf{y}_α\}_{α=1}^m$ are extit{good} (see corresponding definition), then the Normalized Counting Measures of eigenvalues of $M_{n}$ converge weakly in probability to a non-random limit found in \cite{Ma-Pa:67}. In this paper we indicate a subclass of good vectors, which we call extit{very good} and for which the linear eigenvalue statistics of the corresponding matrices converge in distribution to the Gaussian law, i.e., the Central Limit Theorem is valid. An important example of good vectors, studied in arXiv:0710.1346 are the vectors with log-concave distribution. We discuss the conditions for them, guaranteeing the validity of the Central Limit Theorem for linear eigenvalue statistics of corresponding matrices.

研究动机与目标

• 建立 $ n \times n $ 随机矩阵 $ M_n = \sum_{\alpha=1}^m \tau_\alpha \mathbf{y}_\alpha \otimes \mathbf{y}_\alpha $ 的线性特征值统计量的中心极限定理（CLT），其中 $ \{\mathbf{y}_\alpha\} $ 为独立同分布的各向同性随机向量。
• 识别出“好”向量的一个子类——称为“极好”向量——在此条件下，线性特征值统计量的 CLT 成立。
• 将先前关于特征值分布弱收敛（极限谱测度）的结果扩展至线性统计量的波动行为，表明波动具有高斯性。
• 为向量 $ \mathbf{y}_\alpha $ 的分布提供充分条件，特别是针对对数凹和各向同性向量，以确保 CLT 的有效性。

提出的方法

• 定义矩阵 $ M_n = \sum_{\alpha=1}^m \tau_\alpha \mathbf{y}_\alpha \otimes \mathbf{y}_\alpha $ 的特征值的归一化计数测度（NCM）$ N_n $，以及权重 $ \{\tau_\alpha\} $ 的 NCM $ \sigma_m $，并假设当 $ m \to \infty $ 时有弱收敛 $ \sigma_m \to \sigma $。
• 使用 Stieltjes 变换 $ f(z) = \int \frac{N(d\lambda)}{\lambda - z} $ 来刻画极限谱测度 $ N $，其满足函数方程 $ z f(z) = c - 1 - c \int (1 + \tau f(z))^{-1} \sigma(d\tau) $。
• 引入“极好”向量的概念（定义 1.6），即“好”向量（定义 1.2）的一个子类，通过矩和尾部条件定义，以确保矩阵元素具有充分的集中性和独立性。
• 应用再生核方法和各向同性集中不等式来控制再生核条目 $ G_{jj}(z) = [(M_n - zI)^{-1}]_{jj} $，使用条件期望和分解技术。
• 通过再生核恒等式和累积量展开，建立再生核乘积的迹的矩和方差界，特别是证明 $ \mathbf{E}[g_n(z_1,z_2)] \to f(z_1)f(z_2) $ 且 $ \mathrm{Var}[g_n(z_1,z_2)] \to 0 $，其中 $ g_n(z_1,z_2) = n^{-1} \sum_j G_{jj}(z_1)G_{jj}(z_2) $。
• 使用 Lindeberg 型论证和高斯逼近，证明在“极好”条件下，线性特征值统计量依分布收敛于正态分布。

实验结果

研究问题

• RQ1 在何种条件下，独立同分布的各向同性随机向量 $ \{\mathbf{y}_\alpha\} $ 使得 $ M_n = \sum_{\alpha=1}^m \tau_\alpha \mathbf{y}_\alpha \otimes \mathbf{y}_\alpha $ 的线性特征值统计量依分布收敛于高斯分布？
• RQ2 在特征值波动极限的背景下，“极好”向量与一般“好”向量有何区别？
• RQ3 在渐近条件 $ m,n \to \infty $，$ m/n \to c \in [0,\infty) $ 下，是否可为非独立同分布的分量（如对数凹或各向同性向量）建立线性特征值统计量的 CLT？
• RQ4 向量分量的四阶矩和尾部分布如何影响线性特征值统计量的方差？
• RQ5 再生核迹 $ \mathrm{Tr}[(M_n - zI)^{-1}] $ 在证明此类矩阵系综的 CLT 中起何关键作用？

主要发现

• 本文在向量 $ \{\mathbf{y}_\alpha\} $ 为“极好”向量（定义 1.6）的条件下，建立了 $ M_n = \sum_{\alpha=1}^m \tau_\alpha \mathbf{y}_\alpha \otimes \mathbf{y}_\alpha $ 的线性特征值统计量的中心极限定理（CLT），该条件意味着比一般“好”条件更强的矩和尾部控制。
• 对于“极好”向量，归一化的线性特征值统计量 $ \frac{1}{n} \sum_{j=1}^n \varphi(\lambda_j^{(n)}) $ 依分布收敛于一个正态分布，其均值和方差由极限谱测度 $ N $ 和测试函数 $ \varphi $ 决定。
• 线性统计量的极限方差被证明为 $ \mathrm{Var}(\mathcal{L}_n(\varphi)) \to \int \varphi(z)^2 \cdot \mathrm{Im} f(z)^2 \, dz $，其中 $ f(z) $ 是极限谱测度的 Stieltjes 变换。
• 证明依赖于表明再生核乘积迹的二阶矩 $ g_n(z_1,z_2) = n^{-1} \sum_j G_{jj}(z_1)G_{jj}(z_2) $ 收敛于 $ f(z_1)f(z_2) $，且其方差在 $ n \to \infty $ 时趋于零，从而确保波动行为为高斯分布。
• 该结果适用于重要实例，如分量独立同分布、均值为零、方差为 $ 1/n $ 的向量，以及各向同性对数凹向量，后者在温和的矩条件下被证明为“极好”向量。
• 本文为向量分布提供了精确条件：若分量满足 $ \mathbf{E}[y_{\alpha j}^4] = 3/n^2 $ 且对 $ k \geq 5 $ 有 $ \mathbf{E}[y_{\alpha j}^k] = o(n^{-k/2}) $，则向量为“极好”向量，从而确保 CLT 成立。