Имеет ли место многомерная центральная предельная теорема (ЦПТ), когда переменные демонстрируют совершенную одновременную зависимость?


10

Название подводит итог моего вопроса, но для ясности рассмотрим следующий простой пример. Пусть ИксяяяdN(0,1) , язнак равно1,,,,,N . Определите:

SNзнак равно1NΣязнак равно1NИкся
и
TNзнак равно1NΣязнак равно1N(Икся2-1)
Мой вопрос:хотяSNиTNполностью зависят, когдаNзнак равно1, делайтеNSNиNTNсходятся к совместному нормальному распределению приN?

Мотивация: Моя мотивация для вопроса связана с тем фактом, что кажется странным (но замечательным), что SN и TN совершенно зависимы, когда Nзнак равно1 , однако значение многомерного CLT заключается в том, что они приближаются к независимости при N (это следует из-за того, что SN и TN не коррелированы для всех N , следовательно, если они асимптотически нормальны, то они также должны быть асимптотически независимыми).

Заранее спасибо за любые ответы или комментарии!

ps, если вы можете предоставить какие-либо ссылки и т. д., тем лучше!


Нет ответа, но есть комментарий. Я не нахожу это очень удивительным. Зависимость, которую вы отмечаете для n = 1, быстро уменьшается с ростом n.
Эрик

@egbutter предоставил хороший ответ. Если вы все еще ищете какую-то альтернативу или дополнительную интуицию, пингуйте меня, и я увижу, как написать что-то немного другое.
кардинал

@cardinal Большое спасибо за предложение, но на данный момент я очень счастлив - я наградил награду egbutter. Я думаю, что у меня есть интуиция. Моя главная цель в публикации была в том, чтобы увидеть, если кто-то запрыгнул и сказал: «Нет, нет, вы все неправильно поняли из-за ...» :-) Приветствия.
Колин Т Боуэрс

Ответы:


6

Короткий ответ, насколько я понимаю, на ваш q: «Да, но ...». Скорости сходимости на S, T и любых других моментах не обязательно совпадают - проверьте определение границ с помощью теоремы Берри-Эссеена .

В случае, если я неправильно понимаю ваши q, Sn и Tn даже держатся за CLT в условиях слабой зависимости (смешение): проверьте CLT Википедии на предмет зависимых процессов .

CLT является такой общей теоремой - базовое доказательство не требует ничего, кроме того, что характеристическая функция Sn и Tn сходится к характеристической функции стандартной нормали, тогда теорема непрерывности Леви говорит, что сходимость характеристической функции подразумевает сходимость распределения.

Джон Кук дает отличное объяснение ошибки CLT здесь .


Спасибо за ответ. На самом деле меня не волнует скорость конвергенции в том, что касается этого вопроса, а также то, будет ли CLT выдерживать более общие условия, например зависимость. То, на что я действительно надеялся, это ссылка или утверждение, которое оправдывает использование многомерного CLT, когда i-й компонент каждой суммы демонстрирует совершенную одновременную зависимость. Впоследствии я нашел ссылку в «Стохастической предельной теории» Дэвидсона, в которой говорится, что многовариантный CLT имеет произвольную одновременную зависимость, но я все еще ищу некоторую строгость в отношении этого утверждения.
Колин Т Боуэрс

Звучит так, будто ты слишком обдумываешь это. Являетесь ли вы i в [1, n] «современными» компонентами, на которые вы ссылаетесь? Если это так, то важным моментом является то, что ваши Sn и Tn будут по-прежнему сходиться (вы можете доказать это себе, используя тот же метод, что и доказательство CLT «старой школы», упомянутое выше) - но для данного i их ошибки будут будь другим. Это не меняет того факта, что CLT держит. Многозначное / одномерное различие не важно.
egbutter

Да, это современные компоненты. Хорошее предложение по поводу прохождения примера через доказательство. Я действительно сделал это, и не нашел никаких проблем, которые парадоксальным образом заставили меня нервничать. Возможно, я обдумываю вещи в этот момент :-) Еще раз спасибо за ответ. Если к концу дня ни у кого больше не будет трещины в ответе, я отмечу ваш ответ как ответ. Приветствия.
Колин Т Боуэрс

Я могу конечно сопереживать - я часто делаю то же самое! :)
egbutter

1

Конечно, это ничего не доказывает , но я всегда считаю, что симуляции и построение графиков очень удобны для понимания теоретических результатов.

Это особенно простой случай. Мы генерируем случайных нормальных переменных и вычисляем S n и T n ; повторить м раз. Построены графики для n = 1 , 10 , 100 и 1000 . Легко видеть ослабление зависимости при увеличении n ; при n = 100 график практически неотличим от независимости.NSNTNмNзнак равно1,10,1001000NNзнак равно100

test <- function (m, n) 
{
    r <- matrix(rnorm(m * n), nrow = m)
    cbind(rowMeans(r), rowSums(r^2 - 1)/n)
}

par(mfrow=c(2,2))
plot(test(100, 1))
plot(test(100, 2))
plot(test(100, 5))
plot(test(100, 100))

введите описание изображения здесь

Используя наш сайт, вы подтверждаете, что прочитали и поняли нашу Политику в отношении файлов cookie и Политику конфиденциальности.
Licensed under cc by-sa 3.0 with attribution required.