Аннотация:
Рассматривается случайный процесс $Y(t)=at-\nu_+(pt)+\nu_-(-qt)$, $t\in(-\infty,\infty)$, где $\nu_{\pm}(t)$ — независимые стандартные пуассоновские процессы при $t\geqslant 0$ и $\nu_{\pm}(t)=0$ при $t<0$. Параметры $a$, $p$ и $q$ таковы, что $\mathbf{E}Y(t)<0$, $t\neq 0$. В работе найдены суммы $\varphi_m(z,r)=\sum_{k\geqslant 0}(re^{-r})^{k}(z+k)^{m+k-1}/k!$, $m=1,2,\dots$, $z\geqslant 0$, функциональных рядов с параметром $ r\in(0,1) $, которые используются для рекуррентного вычисления моментов $\mathbf{E}(t^*)^m$, $m\geqslant 1$, времени $t^*$ достижения максимума траекторией процесса $Y(t)$. Результаты работы применимы к задаче об оценивании параметра $\theta$ по $n$ наблюдениям с плотностью $f(x,\theta)$, которая имеет скачок в точке $x=x(\theta)$, $x'(\theta)\neq 0$. Если $\widehat\theta_n$ — это оценка максимального правдоподобия истинного параметра $\theta_0$, то предельным при $n\to\infty$ распределением для нормированных оценок $n(\widehat\theta_n - \theta_0)$ будет распределение аргумента максимума $t^*_{\theta_0}$ траектории процесса $Y(t)$ с параметрами $a$, $p$ и $q$, зависящими от односторонних пределов плотности в точке $x(\theta_0)$ и от производной $x'(\theta_0)$. Вычисление моментов $\mathbf{E}(t^*_{\theta_0})^m$, $m=1, 2$, в этом случае позволяет оценить величину асимптотического смещения оценки максимального правдоподобия и ее эффективность.
Ключевые слова:
пуассоновский процесс с линейным сносом, суммы функциональных параметрических рядов, статистическое оценивание точки скачка плотности распределения.
Поступила в редакцию: 17.05.2022 Исправленный вариант: 16.01.2023
Пусть $\nu_-(t)$ и $\nu_+(t)$ — независимые стандартные пуассоновские процессы при $t\geqslant0$ и $\nu_\pm(t)=0$ при $t<0$. Определим случайный процесс
Отрицательность математического ожидания у процесса (1) является условием существования единственного (с вероятностью $1$) собственного момента $t^*$ достижения максимума траекторией $Y(t)$ (см. [1; § 26]).
Цель работы — вычисление моментов $\mathbf{E}(t^*)^m$, $m=1,2,\dots$.
Заметим, что при выполнении условия (2) процесс $Y(-t)$ тоже имеет отрицательный средний снос с аргументом максимума $-t^*$. Поэтому без ограничения цели работы все утверждения формулируются для процесса (1) с условием (2).
Процессы вида (1) возникают в параметрической статистике в задаче об оценивании параметра $\theta \in \Theta \subset \mathbf{R}$ по выборке $ X_1,\dots,X_n$ из абсолютно непрерывного распределения с плотностью $f(x,\theta)$, $x\in\mathbf{R}$. Предполагается, что плотность непрерывна по $x$ всюду, кроме точки $x=x(\theta)$, в которой происходит разрыв первого рода:
В [2; гл. 5, теорема 2.1] доказано, что при соответствующих предположениях конечномерные распределения последовательности процессов логарифмического отношения правдоподобия
сходятся при $n\to\infty$ к конечномерным распределениям процесса $\widetilde{Y}(t)$. Отметим выполнение условия (2) для параметров (3) в силу неравенства $\ln x<x-1$ при $x=p/q$ и $x=q/p$.
Тогда если $l(\theta)<r(\theta)$, $x'(\theta)>0$ на $\Theta$, то процесс $\widetilde{Y}(t)$ пропорционален (с коэффициентом пропорциональности $\ln(p/q)>0$) процессу $Y(t)$. Если $l(\theta)<r(\theta)$, но $x'(\theta)<0$, то процесс $\widetilde{Y}(t)$ пропорционален $Y(-t)$. Рассмотрение случаев, когда $l(\theta)>r(\theta)$, приводит к тем же выводам с коэффициентом пропорциональности $\ln(q/p)>0$.
Итак, с точностью до положительного множителя предельным для последовательности процессов $Y_n(t)$ при $n\to\infty$ является процесс $Y(t)$ или $Y(-t)$ с параметрами (3). Поэтому можно ограничиться рассмотрением только одного случая: $l(\theta)<r(\theta)$, $x'(\theta)>0$, к которому вернемся в конце раздела 2.
Пусть $\widehat\theta_n$ обозначают оценку максимального правдоподобия истинного параметра $\theta_0$ (см. [2; гл. 5, обсуждение перед теоремой 4.5]). Если $ \widehat\theta_n$ не единственная, то выбираем любую из них. Тогда из [2; гл. 5, теорема 4.6] следует сходимость по распределению при $n\to\infty$ нормированных оценок $n(\widehat\theta_n-\theta_0)$ к аргументу максимума $t^*=t^*_{\theta_0}$ траектории процесса (1) с параметрами (3), а также сходимость моментов:
Здесь правые части равенств являются целью нашего исследования. Моменты более высоких порядков и найденная в работе рекуррентная формула для их вычисления представляют скорее теоретический, чем практический, интерес.
В заключение раздела отметим, что моменты $\mathbf{E}(t^*)^m$, $m\geqslant1$, функционально связаны с суммами параметрических рядов вида
где параметр $r$ принадлежит $(0,1)$ и $0^0=1$. Эти суммы найдены в ключевой теореме 1 из следующего раздела.
2. Обозначения и основные результаты
В целях упрощения формулировок теорем и их доказательств сделаем в процессе (1) с условием (2) линейную замену времени $ t:=at $, приводящую к процессу
Аналитический вид функции распределения $G(x)$ величины $t^*$ для процесса (1) с ограничениями (2) на параметры был найден автором в [4; теорема 3] и [5; теорема 1] на положительной и отрицательной оси соответственно. Для процесса (5) плотность $g(x)$ этого распределения можно извлечь из [3; формулы (9), (10)]: при $x>0$
$[x]$ — целая часть числа $x$, а $\psi(\,{\cdot}\,)$ — функция распределения супремума процесса (5) на отрицательной полуоси, аналитический вид которой найден в [1; § 26]:
где $a_{m-1,n}(p-\beta)$, $n=0,\dots,m-1$, — коэффициенты полинома $P_{m-1}(z,r)$ из (14), (15) при $ r:=p-\beta$, а $I^{(n)}(\beta)$ — производная порядка $n$ в точке $\beta $ функции
где $(m)_n = m!/(m-n)!$, $m\geqslant n$, — убывающий факториал, $\mu_l(q)$ — момент порядка $l\geqslant 1$ распределения Бореля $\{\pi_k(q)\}$, который находится по рекуррентной формуле
Возвращаясь к упомянутой в разделе 1 задаче из математической статистики ($l(\theta)<r(\theta)$, $x'(\theta)>0$), замечаем, что последнее равенство в (3) можно записать в виде
Из сказанного следует, что моменты предельного распределения последовательности нормированных оценок максимального правдоподобия вычисляются по формуле
с частичными моментами $M_m^\pm$ из теорем 2, 3 и константой $\beta$ из (22).
3. Доказательство теорем
Прежде всего отметим сходимость рядов (4) при любом фиксированном $m\geqslant 1$ и $r \in (0,1)$. Это вытекает из следующих экспоненциальных оценок, использующих формулу Стирлинга и функцию $\Lambda(\,{\cdot}\,)$ из (8):
что позволяет дифференцировать ряд почленно при любом $z>0$. Дифференцирование ряда (4) по параметру $r\in (0,1)$ возможно в силу следующей оценки для производных его слагаемых:
Здесь сумма последнего ряда равна $1$, так как его слагаемые образуют распределение Бореля–Таннера с параметрами $(n,r)$. Тогда из (28)–(30) получаем индуктивный вывод
где $Q_m(z)$ — полином степени $m$. Полагая здесь $\alpha = -(1-r)$, $Q_m(z) = (z-m)P_{m-1}(z,r)$, из (36) и (37) находим общее решение уравнения (35):
соответствует формуле (14) при $n:=m$, а $C_m(r)$ не зависит от $z$.
Для завершения индукции (см. (34)) осталось доказать, что $C_m(r)$ равно нулю при всех $m\geqslant 1$, $r\in (0,1)$. Воспользуемся для этого равенством (33) с заменой в нем индекса $m$ на $m+1$:
$$
\begin{equation*}
\varphi_{m+1}(z,r) = z \varphi_m(z,r) + r e^{-r} \varphi_{m+1}(z+1,r).
\end{equation*}
\notag
$$
Подставляя сюда выражение (38) и функцию из формулы (12), истинной согласно предположению индукции, приходим к равенству
в котором $1-re^{1-r}\neq 0$ при $r \in (0,1)$. Если $C_m(r) \neq 0$ при некотором $r$, то соотношение (39) невозможно, поскольку в левой его части находится экспонента, а в правой — полином. Следовательно, $C_m(r) \equiv 0$, и попутно из (39) получаем еще одну функциональную связь между полиномами:
$$
\begin{equation*}
(1-r) z P_{m-1}(z,r) + r P_m(z+1,r) - P_m(z,r) = 0.
\end{equation*}
\notag
$$
А. В. Скороход, Случайные процессы с независимыми приращениями, Наука, М., 1964, 278 с. ; англ. пер. 2-го изд.: A. V. Skorokhod, Random processes with independent increments, Math. Appl. (Soviet Ser.), 47, Kluwer Acad. Publ., Dordrecht, 1991, xii+279 с.
2.
И. А. Ибрагимов, Р. З. Хасьминский, Асимптотическая теория оценивания, Наука, М., 1979, 527 с. ; англ. пер.: I. A. Ibragimov, R. Z. Has'minskii, Statistical estimation. Asymptotic theory, Appl. Math., 16, Springer-Verlag, New York–Berlin, 1981, vii+403 с.
3.
В. Е. Мосягин, “Асимптотика распределения момента достижения максимума траекторией процесса Пуассона со сносом и изломом”, Теория вероятн. и ее примен., 66:1 (2021), 94–109; англ. пер.: V. E. Mosyagin, “Asymptotics for the distribution of the time of attaining the maximum for a trajectory of a Poisson process with linear drift and intensity switch”, Theory Probab. Appl., 66:1 (2021), 75–88
4.
В. Е. Мосягин, Н. А. Швемлер, “Распределение момента максимума разности двух пуассоновских процессов с отрицательным линейным сносом”, Сиб. электрон. матем. изв., 13 (2016), 1229–1248
5.
В. Е. Мосягин, Н. А. Швемлер, “Локальные свойства предельного распределения статистической оценки точки разрыва плотности”, Сиб. электрон. матем. изв., 14 (2017), 1307–1316
6.
А. П. Прудников, Ю. А. Брычков, О. И. Маричев, Интегралы и ряды. Элементарные функции, Наука, М., 1981, 799 с. ; англ. пер.: A. P. Prudnikov, Yu. A. Brychkov, O. I. Marichev, Integrals and series, т. 1, Elementary functions, Gordon & Breach Science Publishers, New York, 1986, 798 с.
Образец цитирования:
В. Е. Мосягин, “Процесс Пуассона с линейным сносом и сопутствующие функциональные ряды”, Теория вероятн. и ее примен., 69:2 (2024), 354–368; Theory Probab. Appl., 69:2 (2024), 281–293