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

Résumé Technique : Inférence Statistique Basée sur des Noyaux à Bande Limitée pour les Distributions Rationnelles-Infiniment Divisibles

Énoncé du Problème
Cet article traite du problème de l'inférence statistique pour les mélanges de distributions de la forme $\mu = \omega\mu_d + (1-\omega)\mu_c$, où $\mu_d$ est une composante discrète, $\mu_c$ est une composante absolument continue, et $\omega \in (0,1]$. L'étude se concentre spécifiquement sur la classe $\mathcal{Q}$ des distributions rationnelles-infiniment divisibles (également connues sous le nom de distributions quasi-infiniment divisibles). Une distribution $\mu$ appartient à $\mathcal{Q}$ si sa fonction caractéristique est le rapport de deux fonctions caractéristiques de distributions infiniment divisibles. Alors que l'estimation statistique pour les distributions infiniment divisibles standards est bien établie, l'inférence pour la classe plus large $\mathcal{Q}$, particulièrement pour les mélanges de type (1.1), a reçu une attention limitée. Les auteurs visent à développer des estimateurs non paramétriques pour le poids de mélange $\omega$, la composante discrète $\mu_d$ (spécifiquement ses atomes et ses probabilités), la densité continue $\mu_c$, et la mesure de quasi-Lévy associée $\nu$.

Méthodologie
Le cadre proposé repose sur des noyaux à bande limitée (band-limited kernels), des fonctions dont les transformées de Fourier ont un support compact. La méthodologie exploite deux piliers théoriques distincts :

1. Fonctions Presque Périodiques : La fonction caractéristique de la composante discrète $\mu_d$ appartient à la classe des fonctions presque périodiques ($AP(\mathbb{R}, \mathbb{C})$). En convoluant la fonction caractéristique empirique avec un noyau à bande limitée, les auteurs exploitent le lemme de Riemann-Lebesgue, qui garantit que la convolution de la composante continue s'annule aux hautes fréquences, tandis que la composante discrète conserve sa structure.
2. Méthodes de Fourier Inverse : Pour l'estimation de la mesure de quasi-Lévy, les auteurs utilisent la représentation de Lévy-Khintchine adaptée à la classe $\mathcal{Q}$, qui implique une mesure de (quasi-)Lévy signée. Ils emploient une approche de Fourier inverse basée sur la dérivée seconde de l'exposant caractéristique.

La procédure d'estimation se déroule en deux étapes principales :

• Séparation des Composantes : Les auteurs estiment les atomes $x_j$ et les probabilités $p_j$ de la composante discrète en résolvant des problèmes d'optimisation impliquant le module et l'argument de la fonction caractéristique empirique convoluée sur des intervalles de fréquences spécifiques. La densité continue est ensuite récupérée en soustrayant la composante discrète estimée de la fonction caractéristique empirique totale et en appliquant une transformée de Fourier avec un paramètre de troncature.
• Récupération de la Mesure de Quasi-Lévy : La mesure de quasi-Lévy $\nu$ est estimée en inversant la dérivée seconde de l'exposant caractéristique estimé, lissée par un noyau à bande limitée pour gérer le bruit et restreindre le domaine.

Contributions Clés

• Cadre d'Estimation Novateur : L'article introduit une approche d'estimation non paramétrique pour les mélanges de la classe $\mathcal{Q}$ utilisant des noyaux à bande limitée, une technique précédemment étudiée en traitement du signal (par exemple, Whittaker) mais non appliquée de manière extensive à ce problème statistique spécifique.
• Cibles d'Estimation Doubles : Le travail fournit des solutions simultanées pour :
  1. L'estimation des paramètres de mélange ($\omega$), du support discret ($x_j$) et des probabilités discrètes ($p_j$), ainsi que de la densité continue $g_{ac}$.
  2. L'estimation de la mesure de quasi-Lévy $\nu$ et de sa composante discrète $\nu_d$, en utilisant la relation entre le triplet caractéristique et la structure du mélange.
• Taux de Convergence Théoriques : Les auteurs établissent des taux de convergence théoriques pour les estimateurs proposés sous des hypothèses légères (par exemple, séparation des atomes, caractère borné de la densité continue et de sa dérivée).
  • Pour les paramètres discrets et le poids de mélange, les estimateurs atteignent des taux de convergence polynomiaux, qui deviennent presque paramétriques (à un facteur logarithmique près) sous des choix spécifiques de paramètres de réglage.
  • Pour la densité continue, les taux dépendent de la régularité de la densité (lisse ordinaire ou super-lisse), atteignant des taux polynomiaux pour les densités lisses ordinaires et des taux presque paramétriques pour les densités super-lisses.
  • Pour la mesure de quasi-Lévy, les taux de convergence sont dérivés dans la norme d'opérateur de l'espace de Sobolev dual $H^{-1}(\mathbb{R})$, produisant des taux polynomiaux.

Résultats
Les conclusions théoriques sont appuyées par des expériences numériques utilisant un mélange d'une distribution de Poisson (discrète) et d'une distribution Exponentielle (continue).

• Composante Discrète : Les simulations démontrent que les estimateurs proposés identifient avec succès les atomes et les probabilités de la composante discrète, les erreurs d'estimation diminuant à mesure que la taille de l'échantillon augmente.
• Composante Continue : Les estimations non paramétriques de la densité continue correspondent étroitement à la densité réelle, validant l'approche de déconvolution.
• Mesure de Quasi-Lévy : L'article vérifie que sous des contraintes de paramètres spécifiques (garantissant que le mélange appartient à $\mathcal{Q}$), l'estimateur de la transformée de Fourier de la mesure de quasi-Lévy pondérée converge vers la fonction réelle à mesure que la taille de l'échantillon croît.

Signification et Revendications
Les auteurs affirment que ce travail comble une lacune dans la littérature concernant l'inférence statistique pour les distributions rationnelles-infiniment divisibles, une classe nettement plus large que la classe des distributions infiniment divisibles standards. La portée de l'article réside dans :

• La fourniture d'un fondement théorique rigoureux pour l'estimation de mélanges où la composante continue peut ne pas être infiniment divisible, à condition que le mélange global soit rationnel-infiniment divisible.
• La démonstration que l'utilisation de noyaux à bande limitée permet la séparation des composantes discrètes et continues sans nécessiter d'hypothèses paramétriques fortes sur la partie continue.
• L'offre d'une borne supérieure uniforme pour les taux de convergence à travers la classe des distributions rationnelles-infiniment divisibles, répondant à la difficulté d'analyser les propriétés asymptotiques de rapports de fonctions caractéristiques spécifiques qui entrave d'autres méthodes.

L'article conclut que les estimateurs proposés sont théoriquement robustes, atteignant des taux de convergence polynomiaux, et numériquement efficaces, comme en témoignent les études de simulation.