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

Sintesi Tecnica: Inferenza Statistica Basata su Kernel a Banda Limitata per Distribuzioni Razionali-Infinitamente Divisibili

Enunciato del Problema
Questo articolo affronta il problema dell'inferenza statistica per distribuzioni di miscela della forma $\mu = \omega\mu_d + (1-\omega)\mu_c$, dove $\mu_d$ è una componente discreta e $\mu_c$ è una componente assolutamente continua, con $\omega \in (0,1]$. Lo studio si concentra specificamente sulla classe $\mathcal{Q}$ delle distribuzioni razionali-infinitamente divisibili (note anche come distribuzioni quasi-infinitamente divisibili). Una distribuzione $\mu$ appartiene a $\mathcal{Q}$ se la sua funzione caratteristica è il rapporto tra le funzioni caratteristiche di due distribuzioni infinitamente divisibili. Mentre l'inferenza statistica per le distribuzioni infinitamente divisibili standard è ben consolidata, l'inferenza per la classe più ampia $\mathcal{Q}$, in particolare per le miscele di tipo (1.1), ha ricevuto scarsa attenzione. Gli autori mirano a sviluppare stimatori non parametrici per il peso di miscelazione $\omega$, la componente discreta $\mu_d$ (specificamente i suoi atomi e le probabilità), la densità continua $\mu_c$ e la relativa misura quasi-Lévy $\nu$.

Metodologia
Il framework proposto si basa su kernel a banda limitata (band-limited kernels), funzioni la cui trasformata di Fourier ha supporto compatto. La metodologia sfrutta due distinti pilastri teorici:

1. Funzioni Quasi-Periodiche: La funzione caratteristica della componente discreta $\mu_d$ appartiene alla classe delle funzioni quasi-periodiche ($AP(\mathbb{R}, \mathbb{C})$). Convolendo la funzione caratteristica empirica con un kernel a banda limitata, gli autori sfruttano il lemma di Riemann-Lebesgue, che assicura che la convoluzione della componente continua svanisca ad alte frequenze, mentre la componente discreta mantiene la sua struttura.
2. Metodi di Trasformata di Fourier Inversa: Per stimare la misura quasi-Lévy, gli autori utilizzano una rappresentazione di Lévy-Khintchine adattata per la classe $\mathcal{Q}$, che coinvolge una misura (quasi) di Lévy con segno. Essi impiegano un approccio di trasformata inversa basato sulla derivata seconda dell'esponente caratteristico.

La procedura di stima procede in due fasi principali:

• Separazione delle Componenti: Gli autori stimano gli atomi $x_j$ e le probabilità $p_j$ della componente discreta risolvendo problemi di ottimizzazione che coinvolgono il modulo e l'argomento della funzione caratteristica empirica convoluta su specifici intervalli di frequenza. La densità continua viene poi recuperata sottraendo la componente discreta stimata dalla funzione caratteristica empirica totale e applicando una trasformata di Fourier con un parametro di troncamento.
• Recupero della Misura Quasi-Lévy: La misura quasi-Lévy $\nu$ viene stimata invertendo la derivata seconda dell'esponente caratteristico stimato, regolarizzata (smoothed) tramite un kernel a banda limitata per gestire il rumore e limitare il dominio.

La procedura di stima procede in due fasi principali:

• Separazione delle Componenti: Gli autori stimano gli atomi $x_j$ e le probabilità $p_j$ della componente discreta risolvendo problemi di ottimazione che coinvolgono il modulo e l'argomento della funzione caratteristica empirica convoluta su specifici intervalli di frequenza. La densità continua viene poi recuperata sottraendo la componente discreta stimata dalla funzione caratteristica empirica totale e applicando una trasformata di Fourier con un parametro di troncamento.
• Recupero della Misura Quasi-Lévy: La misura quasi-Lévy $\nu$ viene stimata invertendo la derivata seconda dell'esponente caratteristico stimato, regolarizzata tramite un kernel a banda limitata per gestire il rumore e limitare il dominio.

Contributi Chiave

• Nuovo Framework di Stima: Il lavoro introduce un approccio di stima non parametrica per le miscele nella classe $\mathcal{Q}$ utilizzando kernel a banda limitata, una tecnica precedentemente studiata nell'elaborazione dei segnali (ad es. Whittaker) ma non ampiamente applicata a questo specifico problema statistico.
• Obiettivi di Stima Duali: Il lavoro fornisce soluzioni simultanee per:
  1. Stimare i parametri di miscelazione ($\omega$), il supporto discreto ($x_j$) e le probabilità discrete ($p_j$), nonché la densità continua $g_{ac}$.
  2. Stimare la misura quasi-Lévy $\nu$ e la sua componente discreta $\nu_d$, utilizzando la relazione tra il tripletto caratteristico e la struttura di miscelazione.
• Tassi di Convergenza Teorica: Gli autori stabiliscono i tassi di convergenza teorica per i loro stimatori sotto ipotesi moderate (ad es., separazione degli atomi, limitatezza della densità continua e della sua derivata).
  • Per i parametri discreti e il peso di miscelazione, gli stimatori raggiungono tassi di convergenza polinomiali, che diventano quasi parametrici (fino a un fattore logaritmico) sotto specifiche scelte di parametri di tuning.
  • Per la densità continua, i tassi dipendono dalla regolarità (smoothness) della densità (ordinariamente liscia o sovra-liscia/supersmooth), raggiungendo tassi polinomiali per densità ordinariamente lisce e tassi quasi parametrici per densità sovra-lisce.
  • Per la misura quasi-Lévy, i tassi di convergenza sono derivati nella norma operatore dello spazio duale di Sobolev $H^{-1}(\mathbb{R})$, fornendo tassi polinomiali.

Risultati
I risultati teorici sono supportati da esperimenti numerici utilizzando una miscela di una distribuzione di Poisson (discreta) e una distribuzione Esponenziale (continua).

• Componente Discreta: Le simulazioni dimostrano che i proposti stimatori identificano con successo gli atomi e le probabilità della componente discreta, con errori di stima che diminuiscono all'aumentare della dimensione del campione.
• Componente Continua: Le stime non parametriche della densità continua corrispondono strettamente alla densa reale, validando l'approccio di deconvoluzione.
• Misura Quasi-Lévy: Il lavoro verifica che, sotto specifici vincoli di parametri (che assicurano che la miscela appartenga a $\mathcal{Q}$), lo stimatore della trasformata di Fourier della misura quasi-Lévy pesata converge alla funzione vera al crescere della dimensione del campione.

Significatività e Rivendicazioni
Gli autori affermano che questo lavoro colma una lacuna nella letteratura riguardante l'inferenza statistica per le distribuzioni razionali-infinitamente divisibili, una classe che è significativamente più ampia della classe delle standard distribuzioni infinitamente divisibili. La significatività del lavoro risiede nel:

• Fornire una base teorica rigorosa per stimare le miscele in cui la componente continua potrebbe non essere infinitamente divisibile, a condizione che la miscela complessiva sia razionale-infinitamente divisibile.
• Dimostrare che l'uso di kernel a banda limitata consente la separazione delle componenti discrete e continue senza richiedere forti assunzioni parametriche sulla parte continua.
• Offrire un limite superiore uniforme per i tassi di convergenza attraverso la classe delle distribuzioni razionali-infinitamente divisibili, affrontando la difficoltà di analizzare le proprietà asintotiche di specifici rapporti di funzioni caratteristiche che affligge altri metodi.

L'articolo conclude che i proposti stimatori sono teoricamente solidi, raggiungendo tassi di convergenza polinomiali, e numericamente efficaci, come evidenziato dagli studi di simulazione.