[论文解读] Total variation approximation for quasi-equilibrium distributions

A. D. Barbour, P. K. Pollett|arXiv (Cornell University)|Apr 13, 2010

Markov Chains and Monte Carlo Methods参考文献 14被引用 5

一句话总结

本文確立了在何種條件下，出生死亡過程的唯一擬穩態分佈可透過吸收至 0 時立即從瞬時狀態重啟的「回饋過程」的平衡分佈，在總變異距離下得到良好近似。關鍵結果顯示，對於大型群體（如隨機邏輯斯蒂模型），近似誤差會隨著系統規模呈幾何級衰減，進而實現簡單且精確的計算，無需對機率極小的事件進行條件化。

ABSTRACT

Quasi-stationary distributions, as discussed by Darroch & Seneta (1965), have been used in biology to describe the steady state behaviour of population models which, while eventually certain to become extinct, nevertheless maintain an apparent stochastic equilibrium for long periods. These distributions have some drawbacks: they need not exist, nor be unique, and their calculation can present problems. In this paper, we give biologically plausible conditions under which the quasi-stationary distribution is unique, and can be closely approximated by distributions that are simple to compute.

研究动机与目标

• 解決具有吸收特性的連續時間馬可夫鏈中擬穩態分佈的計算不可行性。
• 建立足夠條件，確保擬穩態分佈的唯一性與近似可計算性。
• 提出一種實用的近似方法，利用回饋過程避免對機率為零的事件進行條件化。
• 展示該方法在生物學上相關模型（如隨機邏輯斯蒂與SIS流行病模型）中的準確性。

提出的方法

• 定義一回饋過程 $X^\mu$，當吸收至 0 時，會從瞬時類 $C$ 上的分佈 $\mu$ 重新開始。
• 將 $X^\mu$ 的靜態分佈 $\pi^\mu$ 用作真實擬穩態分佈 $m$ 的近似。
• 建立總變異界 $\|m - \pi^\mu\|_{\text{TV}} \leq \text{const} \cdot (UT/p)$，其中 $U$、$T$、$p$ 和 $B$ 由 hitting times 與轉移速率推導而出。
• 證明在出生與死亡速率的溫和條件下（例如 $d_j$ 增加，$b_j/d_j$ 減少），近似誤差會很小。
• 將此界應用於具體模型：隨機邏輯斯蒂模型與 SIS 流行病模型，顯示誤差隨系統規模呈幾何衰減。
• 利用耦合與耦合時間估計，透過期望 hitting times 與尺度參數 $\alpha_j$，推導出 $T$、$p$、$U$ 與 $B$ 的明確界。

实验结果

研究问题

• RQ1 對於吸收至 0 的連續時間出生死亡過程，何種條件下會存在唯一的擬穩態分佈？
• RQ2 能否在不對稀有事件進行條件化的前提下，以回饋過程的靜態分佈在總變異距離下近似擬穩態分佈？
• RQ3 擬穩態分佈與回饋過程平衡分佈之間的總變異誤差有多小？其隨系統規模如何變化？
• RQ4 能否以轉移速率與 hitting times 表示近似誤差的明確可計算界？
• RQ5 該方法在生物學上相關模型（如隨機邏輯斯蒂與 SIS 流行病模型）中的表現如何？

主要发现

• 在大群體規模 $A$ 的隨機邏輯斯蒂模型中，擬穩態分佈與任何回饋過程平衡分佈 $\pi^\mu$ 之間的總變異距離隨 $A$ 呈幾何級衰減，特別是當 $A \to \infty$ 時，$UT/p$ 呈幾何級小。
• 在邏輯斯蒂模型中，誤差界為 $O(\log A / A)$，其中 $T = O(\log A)$，$p \geq 1 - d/b$，且 $U \leq \{1 + (b-d)/(b+d)\}^{-\kappa A/2}$，導致誤差指數級小。
• 在 $\mu < \lambda$ 條件下的 SIS 流行病模型中，誤差 $UT/p$ 隨群體規模 $N$ 呈幾何級小，確保在 $N$ 較大時近似效果良好。
• 在所述條件下，回饋過程映射 $\mu \mapsto \pi^\mu$ 是壓縮的，且迭代收斂至唯一的擬穩態分佈 $m = \pi^m$，從而可實現迭代計算。
• 對於死亡率遞增且出生率與死亡率比值遞減的模型，$T$、$p$、$U$ 與 $B$ 的界可明確估算，進而得到多項式或幾何級誤差衰減。
• 該方法提供了一種實用的、不依賴條件化的替代方案，用以計算原本因需條件化於機率趨近零事件而難以處理的擬穩態分佈。