We study sufficient conditions for a local asymptotic mixed normality property of statistical models. We develop a scheme with the $L^2$ regularity condition proposed by Jeganathan [\textit{Sankhya Ser. A} \textbf{44} (1982) 173--212] so that it is applicable to high-frequency observations of stochastic processes. Moreover, by combining with Malliavin calculus techniques by Gobet [\textit{Bernoulli} \textbf{7} (2001) 899--912, 2001], we introduce tractable sufficient conditions for smooth observations in the Malliavin sense, which do not require Aronson-type estimates of the transition density function. Our results, unlike those in the literature, can be applied even when the transition density function has zeros. For an application, we show the local asymptotic mixed normality property of degenerate (hypoelliptic) diffusion models under high-frequency observations, in both complete and partial observation frameworks. The former and the latter extend previous results for elliptic diffusions and for integrated diffusions, respectively.


翻译:我们为统计模型的局部零和混合常态特性研究足够的条件。 我们开发了一个由Jeganathan[\ textit{ Sankhya Ser. A}\ textbf{44}(1982)173-212) 提议的以美元为单位的常规性条件($L2$)的方案,以便适用于对随机过程的高频观测。此外,我们通过Gobet[\ text{Bernoul}\ textbf{7}(2001)899-912,2001]与Malliavin 技术的Malliavin 技术结合,我们引入了在马利亚文意义上的平稳观测所需的充足条件,不需要对过渡密度函数进行Aronson型的估算。我们的结果,与文献中的结果不同,即使在过渡密度函数为零时,也可以应用。对于应用,我们展示了高频观测框架下的堕落(超电离子)传播模型的局部无常态混合性常态特性,包括完整和部分观测框架。前一个和后一个观测框架分别扩展了前一个和综合传播结果。

0
下载
关闭预览

相关内容

剑桥大学《数据科学: 原理与实践》课程,附PPT下载
专知会员服务
49+阅读 · 2021年1月20日
专知会员服务
52+阅读 · 2020年9月7日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
【阿尔托大学】图神经网络,Graph Neural Networks,附60页ppt
专知会员服务
181+阅读 · 2020年4月26日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
MIT-深度学习Deep Learning State of the Art in 2020,87页ppt
专知会员服务
61+阅读 · 2020年2月17日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
【推荐】SVM实例教程
机器学习研究会
17+阅读 · 2017年8月26日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
已删除
将门创投
9+阅读 · 2017年7月28日
Arxiv
0+阅读 · 2021年1月20日
VIP会员
相关VIP内容
剑桥大学《数据科学: 原理与实践》课程,附PPT下载
专知会员服务
49+阅读 · 2021年1月20日
专知会员服务
52+阅读 · 2020年9月7日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
【阿尔托大学】图神经网络,Graph Neural Networks,附60页ppt
专知会员服务
181+阅读 · 2020年4月26日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
MIT-深度学习Deep Learning State of the Art in 2020,87页ppt
专知会员服务
61+阅读 · 2020年2月17日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
相关资讯
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
【推荐】SVM实例教程
机器学习研究会
17+阅读 · 2017年8月26日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
已删除
将门创投
9+阅读 · 2017年7月28日
Top
微信扫码咨询专知VIP会员