Statistical inference based on band-limited kernels: Rational-infinitely divisible distributions and beyond

Resumen Técnico: Inferencia Estadística Basada en Núcleos de Banda Limitada para Distribuciones de División Infinita Racional

Planteamiento del Problema
Este artículo aborda el problema de la inferencia estadística para distribuciones de mezcla de la forma $\mu = \omega\mu_d + (1-\omega)\mu_c$, donde $\mu_d$ es un componente discreto y $\mu_c$ es un componente absolutamente continuo, con $\omega \in (0,1]$. El estudio se centra específicamente en la clase $\mathcal{Q}$ de distribuciones de división infinita racional (también conocidas como distribuciones de división cuasi-infinita). Una distribución $\mu$ pertenece a $\mathcal{Q}$ si su función característica es el cociente de las funciones características de dos distribuciones de división infinita. Mientras que la estimación estadística para las distribuciones de división infinita estándar está bien establecida, la inferencia para la clase más amplia $\mathcal{Q}$, particularmente para mezclas del tipo (1.1), ha recibido poca atención. Los autores pretenden desarrollar estimadores no paramétricos para el peso de la mezcla $\omega$, el componente discreto $\mu_d$ (específicamente sus átomos y probabilidades), la densidad continua $\mu_c$ y la medida de cuasi-Lévy asociada $\nu$.

Metodología
El marco propuesto se basa en núcleos de banda limitada (band-limited kernels), funciones cuya transformada de Fourier tiene soporte compacto. La metodología aprovecha dos pilares teóricos distintos:

1. Funciones Casi Periódicas: La función característica del componente discreto $\mu_d$ pertenece a la clase de funciones casi periódicas ($AP(\mathbb{R}, \mathbb{C})$). Al convolucionar la función característica empírica con un núcleo de banda limitada, los autores explotan el lema de Riemann-Lebesgue, que asegura que la convolución del componente continuo se anula en altas frecuencias, mientras que el componente discreto retiene su estructura.
2. Métodos de Transformada de Fourier Inversa: Para la estimación de la medida de cuasi-Lévy, los autores utilizan la representación de Lévy-Khintchine adaptada para la clase $\mathcal{Q}$, la cual involucra una medida de (cuasi) Lévy con signo. Emplean un enfoque de transformada de Fourier inversa basado en la segunda derivada del exponente característico.

El procedimiento de estimación se desarrolla en dos etapas principales:

• Separación de Componentes: Los autores estiman los átomos $x_j$ y las probabilidades $p_j$ del componente discreto resolviendo problemas de optimización que involucran el módulo y el argumento de la función característica empírica conlucionada sobre intervalos de frecuencia específicos. La densidad continua se recupera posteriormente restando el componente discreto estimado de la función característica empírica total y aplicando una transformada de Fourier inversa con un parámetro de truncamiento.
• Recuperación de la Medida de Cuasi-Lévy: La medida de cuasi-Lévy $\nu$ se estima mediante la inversión de la segunda derivada del exponente característico estimado, suavizada por un núcleo de banda limitada para manejar el ruido y restringir el dominio.

Contribuciones Clave

• Marco de Estimación Novedoso: El artículo introduce un enfoque de estimación no paramétrica para mezclas en la clase $\mathcal{Q}$ utilizando núcleos de banda limitada, una técnica previamente estudiada en el procesamiento de señales (por ejemplo, Whittaker) pero no aplicada extensamente a este problema estadístico específico.
• Objetivos de Estimación Duales: El trabajo proporciona soluciones simultáneas para:
  1. Estimar los parámetros de la mezcla ($\omega$), el soporte discreto ($x_j$) y las probabilidades discretas ($p_j$), así como la densidad continua $g_{ac}$.
  2. Estimar la medida de cuasi-Lévy $\nu$ y su componente discreta $\nu_d$, utilizando la relación entre el triplete característico y la estructura de la mezcla.
• Tasas de Convergencia Teórica: Los autores establecen tasas de convergencia teóricas para los estimadores propuestos bajo supuestos leves (por ejemplo, separación de átomos, densidad continua acotada y su derivada).
  • Para los parámetros discretos y el peso de la mezcla, los estimadores logran tasas de convergencia polinómicas, que se vuelven casi paramétricas (hasta un factor logarítmico) bajo elecciones específicas de parámetros de ajuste.
  • Para la densidad continua, las tasas dependen de la suavidad de la densidad (suave ordinaria o super-suave), logrando tasas polinómicas para densidades suaves ordinarias y tasas casi paramétricas para densidades super-suaves.
  • Para la medida de cuasi-Lévy, las tasas de convergencia se derivan en la norma de operador del espacio de Sobolev dual $H^{-1}(\mathbb{R})$, produciendo tasas polinómicas.

Resultados
Los hallazgos teóricos están respaldados por experimentos numéricos utilizando una mezcla de una distribución de Poisson (discreta) y una distribución Exponencial (continua).

• Componente Discreto: Las simulaciones demuestran que los estimadores propuestos identifican con éxito los átomos y las probabilidades del componente discreto, con errores de estimación que disminuyen a medida que aumenta el tamaño de la muestra.
• Componente Continuo: Los estimaciones no paramétricas de la densidad continua coinciden estrechamente con la densidad real, validando el enfoque de deconvolución.
• Medida de Cuasi-Lévy: El artículo verifica que, bajo restricciones de parámetros específicas (que aseguran que la mezcla pertenezca a $\mathcal{Q}$), el estimador de la transformada de Fourier de la medida de cuasi-Lévy ponderada converge a la función verdadera a medida que el tamaño de la muestra crece.

Significancia y Reivindicaciones
Los autores afirman que este trabajo llena un vacío en la literatura respecto a la inferencia estadística para distribuciones de división infinita racional, una clase que es significativamente más grande que la clase de las distribuciones de división infinita estándar. La importancia del artículo radica en:

• Proporcionar una base teórica rigurosa para la estimación de mezclas donde el componente continuo puede no ser de división infinita, siempre que la mezcla global sea de división infinita racional.
• Demostrar que el uso de núcleos de banda limitada permite la separación de componentes discretos y continuos sin requerir supuestos paramétricos fuertes sobre la parte continua.
• Ofrecer un límite superior uniforme para las tasas de convergencia en toda la clase de distribuciones de división infinita racional, abordando la dificultad de analizar las propiedades asintóticas de cocientes específicos de funciones características que complica otros métodos.

El artículo concluye que los estimadores propuestos son teóricamente sólidos, logrando tasas de convergencia polinómicas, y numéricamente efectivos, como lo evidencia el estudio de simulación.