[论文解读] U-quantile processes and generalized linear statistics of dependent data
本文在弱相依条件下建立了广义线性（GL）统计量的中心极限定理（CLT）与迭代对数律（LIL），扩展了以往仅限于独立数据的结果。通过利用广义Bahadur表示分析经验U过程，作者推导出U-分位数过程的渐近正态性与功能型定律，这些结果可直接推出强混合或L^1近时段相依数据下GL统计量的CLT与LIL。
Generalized linear statistics are a unifying class that contains U-statistics, U-quantiles, L-statistics as well as trimmed and winsorized U-statistics. For example, many commonly used estimators of scale fall into this class. GL-statistics only have been studied under independence; in this paper, we establish the central limit theorem (CLT) and the law of the iterated logarithm (LIL) for GL-statistics of sequences which are strongly mixing or L^1 near epoch dependent on an absolutely regular process. We first investigate the empirical U-process. With the help of a generalized Bahadur representation, the CLT and the LIL for the empirical U-quantile process follow. As GL-statistics are linear functionals of the U-quantile process, the CLT and the LIL for GL-statistics are straightforward corollaries.
研究动机与目标
- 将广义线性统计量的渐近理论从独立数据扩展至弱相依序列。
- 解决在依赖条件下GL统计量缺乏极限定理的问题，特别是针对尺度估计量以及截尾或Winsorized U统计量。
- 在强混合或L^1近时段相依过程中，建立广义线性统计量的中心极限定理（CLT）与迭代对数律（LIL）。
- 推导U-分位数过程的渐近分布，作为获得GL统计量结果的基础步骤。
- 统一弱相依条件下U统计量、U-分位数、L统计量及相关估计量的渐近理论。
提出的方法
- 作者将经验U过程视为GL统计量背后的主 stochastic 过程进行分析。
- 他们采用广义Bahadur表示，将经验U-分位数过程与潜在分布函数及误差联系起来。
- 将弱相依结构——特别是强混合或在绝对平稳过程上的L^1近时段相依——正式纳入渐近分析中。
- 在依赖假设下，利用函数中心极限理论与矩界，推导出经验U-分位数过程的CLT与LIL。
- 将GL统计量视为U-分位数过程的线性泛函，从而实现极限定律的直接传递。
- 通过鞅逼近与弱收敛技术分析相依阵列，建立理论结果。
实验结果
研究问题
- RQ1当基础数据为弱相依而非独立时，广义线性统计量的中心极限定理是否仍然成立？
- RQ2在强混合或L^1近时段相依过程中，迭代对数律能否推广至GL统计量？
- RQ3广义Bahadur表示如何适应弱相依条件下的U-分位数过程，以实现渐近分析？
- RQ4在弱相依假设下，经验U-分位数过程的极限分布是什么？
- RQ5在弱相依条件下，GL统计量（包括截尾与Winsorized U统计量）是否渐近正态？
主要发现
- 在强混合或L^1近时段相依过程中，广义线性统计量的中心极限定理成立。
- 在相同的弱相依框架下，建立了广义线性统计量的迭代对数律。
- 在指定的依赖条件下，经验U-分位数过程满足功能中心极限定理。
- 广义Bahadur表示使从弱相依数据中推导U-分位数过程的极限定律成为可能。
- GL统计量通过线性泛函形式，继承了U-分位数过程的渐近正态性与功能型定律。
- 结果统一并扩展了U统计量、U-分位数、L统计量及相关估计量在弱相依数据下的渐近理论。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。