Local asymptotic normality for ergodic jump-diffusion processes via transition density approximation¶

作者: Teppei Ogihara, Yuma Uehara
来源: Bernoulli
主题: 数理统计 / 假设检验
相关性: 7/10
链接: 期刊页 · arXiv

一、领域脉络与小综述¶

这个方向是什么¶

子方向：对连续时间随机过程的离散观测，建立局部渐近正态性（LAN）或局部渐近混合正态性（LAMN）性质，从而为估计量和检验提供渐近效率基准。LAN是Le Cam决策理论的核心概念：如果统计实验序列在局部上趋近于一个高斯实验，那么正则估计量存在Cramér–Rao型下界，且MLE或贝叶斯估计可达到该界。对于扩散过程（无跳跃），已有成熟工具（Aronson型转移密度上/下界、Malliavin calculus）可证LAN。但跳跃过程（跳扩散）的转移密度不满足Aronson估计，且跳跃成分的存在使似然比缺乏显式形式，因此LAN性质的证明长期留有空缺。本文的目标正是在跳扩散情形下填补这一空白。

当前成熟度：已在单参数漂移跳扩散（Kohatsu-Higa et al., 2015）和单参数跳跃结构与漂移联合估计（Clément et al., 2014）中建立了LAN/LAMN，但尚未覆盖漂移、扩散、跳跃结构全部参数化的一般模型。

发展脉络（history）¶

从奠基工作 -> 主要进展 -> 当前frontier -> 本文位置。每个阶段点名被引工作，用引用句里的原话判断定位（因用户未提供intro全文，以下引用语境来自用户给出的“主要被引论文”摘要以及本文abstract中的语句）。

奠基：扩散过程的LAN。Jeganathan (1982) 提出 \(L^2\) 正则性条件作为替代Aronson型估计的通用框架；Gobet (2001) 将Malliavin calculus引入扩散模型LAN证明。这些工作为处理缺乏显式转移密度的模型提供了理论根基。本文abstract明确提到：“Unlike with a model for diffusion processes, Aronson-type estimates of the transition density functions do not hold, which makes it difficult to prove LAN. Therefore, instead of Aronson-type estimates, we employ the idea of Theorem 1 in Jeganathan (1982) and use the L2 regularity condition.”
跳扩散LAN的首次突破：Kohatsu-Higa, Nualart, Tran (2015) [21] 对漂移参数的ergodic跳扩散过程证明了LAN，利用Wiener–Poisson空间上的Malliavin calculus和随机流得到转移密度显式表达式。本文的引用语境：“Kohatsu-Higa, Nualart, and Tran [21] solved this problem by utilizing Malliavin calculous for Wiener-Poisson space and stochastic flows, and obtained the expression of the transition density functions.” 但该工作仅处理了漂移系数（非全参数），且依赖Malliavin calculus的可微分性。
跳跃参数的LAMN：另一方面，Clément, Delattre, Gloter (2014) [6] 研究了跳跃结构由未知参数决定时的LAMN，尤其关注跳跃大小的估计。本文引用语境：“Clément, Delattre, and Gloter [6] studied the LAMN property for the stochastic differential equations with jumps when the unknown parameter determines the jump structure.”
非同步观测扩散的LAMN：Ogihara (2013) [2] 证明了非同步观测扩散过程的LAMN，并验证了拟似然估计的渐近有效性。本文引用语境：“We can see that Γ−1 coincides with the asymptotic variances of the quasimaximum-likelihood estimator α̂n = (σ̂n, θ̂n) and the Bayes-type estimator α̃n = (σ̃n, θ̃n) in Shimizu and Yoshida [32] and Ogihara and Yoshida [29], respectively.” 说明这类估计量的信息矩阵形式在此前已明确。
退化扩散的LAMN：Fukasawa和Ogihara (2020) [10] 将Jeganathan的 \(L^2\) 正则性条件与Malliavin calculus结合，推广到退化（hypoelliptic）扩散，同样不依赖Aronson估计。本文引用语境指出其技术路线可被用作跳扩散情形的基础。
阈值技术在跳识别中的应用：Mai (2014) [4]、Gloter et al. (2016) [5] 使用阈值技术从离散观测中分离连续部分和跳跃部分，从而在拟似然函数中只使用连续部分估计漂移。本文引用语境：“The thresholding techniques are also used for detecting jumps in processes with jumps… and improving the estimation accuracy of continuous components.” 阈值法是本文转移密度逼近的关键工具。
本文位置：在上述工作基础上，本文首次对漂移、扩散、跳跃结构全部参数化的一般ergodic跳扩散模型建立LAN（进而LAMN），证明拟似然估计和贝叶斯估计达到渐近效率界，并构造渐近一致最优势检验。与Kohatsu-Higa et al. (2015) 相比，本文不依赖Malliavin calculus，而是用 \(L^2\) 正则性+阈值近似，因此适用的参数维度更灵活；与Clément et al. (2014) 相比，本文覆盖了漂移和扩散参数。

子线索聚类¶

被引文献大致落入以下四条子线索（以方法和设定划分）：

LAN/LAMN性质证明的通用框架：Jeganathan (1982) [引用用]（\(L^2\)正则性）、Fukasawa & Ogihara (2020) [10]（结合Malliavin calculus处理退化扩散）。这组工作建立的理论工具被本文直接采用。
跳扩散过程的LAN/LAMN：Kohatsu-Higa et al. (2015) [21]（漂移参数）、Clément et al. (2014) [6]（跳跃参数）、以及本文。这组是本文的直接竞争与补充。
跳过程中的阈值技术与拟似然估计：Mai (2014) [4]、Gloter et al. (2016) [5]。这组提供具体估计方法和阈值分离技术，本文用于构造近似转移密度。
非同步/退化的扩散过程LAN/LAMN及估计效率：Ogihara (2013) [2]、Ogihara & Yoshida (2011, 2006) [29,32]（拟似然与贝叶斯估计的渐近效率）。本文对他们结论的直接应用：验证本文模型下拟似然估计和贝叶斯估计达到Γ⁻¹的渐近方差。

这个方向在追问的核心问题与已知瓶颈¶

核心问题1：什么时候LAN/LAMN成立？ 对一般的跳扩散模型，需要找到足够弱的条件（不依赖转移密度显式表达式）。已知瓶颈：Aronson估计不成立，Malliavin calculus要求漂移/扩散/跳跃核的光滑性和非退化性。
核心问题2：可达到的最优估计率是多少？ 在LAN/LAMN下，正则估计量的极限方差由信息矩阵的逆给出，但信息矩阵的具体形式依赖于跳跃参数的识别能力。瓶颈：跳跃参数的信息矩阵可能随机，导致LAMN而非LAN。
核心问题3：如何构造估计算法达到效率界？ 拟似然或贝叶斯估计需要近似似然，其逼近误差需在L²下可控。瓶颈：逼近精度与采样频率、跳跃活动性之间的权衡。
核心问题4：检验问题的最优性。 是否有一致最优势渐近检验？瓶颈：存在跳跃时局中化实验可能非高斯，需处理信息矩阵随机性（LAMN而非LAN）。

⚠️ 作者的framing¶

这是作者的说法：本文标题和abstract明确指出，通过阈值技术构造近似转移密度，然后利用Jeganathan的 \(L^2\) 正则性条件证明LAN，再进一步推导真实模型的LAMN。作者将缺口frame为：“Aronson-type estimates of the transition density functions do not hold, which makes it difficult to prove LAN.” 即他们认为之前无法证明跳扩散过程LAN的根本障碍是缺少转移密度逐点界，而 \(L^2\) 正则性+密度近似提供了一个绕过该障碍的通用路线。

被淡化或回避的竞争路线：
1. Kohatsu-Higa et al. (2015) 的Malliavin calculus路线被提及但未被采用，作者未讨论为何在一般参数化下该路线比 \(L^2\) 正则性更受限（可能因为Malliavin导数需对参变量连续可微，且对跳跃结构有额外光滑性要求）。
2. Clément et al. (2014) 处理了跳跃参数但未涉及漂移扩散，作者未说明为什么本文的框架能自然包含漂移和扩散参数及跳跃参数同时估计。
3. 阈值法分离跳与扩散需要明确阈值选择，作者未指出该方法在无限活动跳跃或小跳跃情况下可能失效的局限（从引文看，Mai (2014) 和Gloter et al. (2016) 假设跳跃为复合泊松，本文假设类似）。

什么明显该被引/该存在、却没出现在intro里？
用户未提供intro全文，但根据本文abstract和引用列表，缺少对以下方面的讨论：
- 高维跳扩散或带有非参数跳跃结构的LAN/LAMN（如跳跃强度随时间变化）；
- 基于最优传输或深度学习的转移密度近似（近年来已有尝试，但可能不在本文写作时间范围）；
- 用U-统计量或高阶影响函数处理跳扩散估计的文献（该用户兴趣方向，但本文领域无关）。
建议研究者可搜索“jump-diffusion LAN after 2020”看是否有后续论文填补了这些缺口。

张力¶

被引工作之间未见明显对立结果。Kohatsu-Higa et al. (2015) 和本文在同一定向上互补（一个用Malliavin，一个用L²正则性）；Clément et al. (2014) 和本文在跳跃参数上一致。未见矛盾结论。

二、最核心、最简单的例子 / 数学问题¶

第一步：符号、模型、可观测数据交代清楚¶

符号（按出现顺序定义）：

符号	含义	类型
\(X_t\)	状态过程，取值于 \(\mathbb{R}^d\)	随机过程
\(t \in [0, T_n]\)	时间连续，观察窗口随 \(n\) 增长	区间
\(\Delta_n\)	采样间隔，\(\Delta_n \to 0\)，且 \(T_n = n\Delta_n \to \infty\)（遍历设定）	常数
\(n\)	观测总数	正整数
\(\theta = (\alpha, \beta, \gamma)\)	有限维参数，分别对应漂移、扩散、跳跃结构	参数向量
\(\mu(x;\alpha)\)	漂移系数（drift）	已知形式的函数
\(\sigma(x;\beta)\)	扩散系数（diffusion），\(d\times d'\) 矩阵	已知形式的函数
\(N(dt,du)\)	泊松随机测度，补偿测度 \(\nu(du)dt\)	随机测度
\(z(x_{t-},u;\gamma)\)	跳跃核（jump size），\(x_{t-}\) 为左极限	已知形式的函数
\(W_t\)	布朗运动，与泊松测度独立	随机过程
\((X_{i\Delta_n})_{i=0,\dots,n}\)	离散观测	可观测数据
\(Y_i = X_{i\Delta_n} - X_{(i-1)\Delta_n}\)	增量	可观测
\(\mathbb{P}_{\theta}^{(n)}\)	观测数据的概率分布	统计模型
(p_n(x	y;\theta))	一步转移密度（真实，无显式）
(\widetilde{p}_n(x	y;\theta))	近似转移密度（通过阈值法构造）
\(L_n(\theta)\)	精确似然（基于条件转移密度乘积）	潜变量
\(\widetilde{L}_n(\theta)\)	近似似然	可计算
\(I(\theta)\)	信息矩阵（若LAN成立，为常数矩阵）	参数
\(\Gamma(\theta)\)	随机信息矩阵（LAMN情形）	随机变量

模型：数据生成机制为下列SDE：

\[dX_t = \mu(X_t;\alpha)\,dt + \sigma(X_t;\beta)\,dW_t + \int_E z(X_{t-},u;\gamma)\,N(dt,du),\]

其中 \(E\) 是跳跃大小空间（如 \(\mathbb{R}^d\setminus\{0\}\)），补偿测度 \(\nu(du)\) 通常假设为Lévy测度。过程满足遍历性（ergodic）条件，即存在唯一不变分布。

可观测数据：仅离散时间点 \(i\Delta_n\) 上的 \(X_{i\Delta_n}\)。增量 \(Y_i\) 可计算。但跳跃发生的精确时刻和大小是不可观测的，只能从增量中通过阈值分离。连续部分 \(X_t^c\)（扩散部分）和跳跃部分 \(X_t^j\) 无法直接观测。

想要但观测不到的量：参数 \(\theta\) 本身、连续路径 \(\{X_t: t\}\)、泊松测度的具体实现。

第二步：最小内核¶

剥去所有一般性假设，找出支撑整篇论文的最小内核。本文本质上是将Jeganathan的 \(L^2\) 正则性条件应用于一个依赖阈值的近似转移密度，然后证明近似模型的LAN可传递到真实模型。因此，最小内核对应一个最简特例：一维、漂移仅含一个未知参数 \(\alpha\)、扩散系数已知常数 \(\sigma\)、跳跃为复合泊松过程（跳跃强度 \(\lambda\) 已知，跳跃大小分布 \(F\) 已知）。此时 \(\theta = \alpha\)。

记号特化：
- \(d=1\)，\(\mu(x;\alpha) = \alpha\)（常数漂移，最简单情形）。
- \(\sigma(x;\beta) \equiv 1\)（已知）。
- \(z(x_{t-},u;\gamma) \equiv u\)，跳跃大小 \(u\sim F\)，跳跃强度 \(\lambda >0\)，复合泊松过程。
- 采样间隔 \(\Delta_n \to 0\)，观测数 \(n \to \infty\)，时间跨度 \(T_n = n\Delta_n \to \infty\)（遍历性成立，因为流程是均值回复的？此处需假设 \(\alpha\) 的符号使过程具有遍历性，如均值回复，但常数漂移无回复性；更现实的是假设 \(\mu(x;\alpha)\) 有线性回复项，如Ornstein-Uhlenbeck型：\(\mu(x;\alpha)=-\alpha x\)，但为了最简我们还是用常数漂移并假设参数空间使得过程为正则循环？实际上常数漂移的跳扩散可能是非遍历的。更好选择：\(\mu(x;\alpha)=\alpha\) 且 \(\sigma=1\) 时，过程为带漂移布朗运动加复合泊松，非遍历。但为了说明概念，可取一个遍历例子如\(\mu(x;\alpha)=\alpha (m-x)\)，令 \(m=0\) 已知。为了真正最简，我们退一步：取Ornstein-Uhlenbeck过程加复合泊松跳跃：

\[dX_t = -\alpha X_t dt + dW_t + dJ_t,\]

其中 \(J_t\) 是复合泊松。此时 \(\alpha>0\) 保证遍历性。

但这样就需处理漂移的线性结构，增加复杂度。最简内核应选只有漂移参数需要估计，扩散和跳跃已知，且过程为一维ergodic跳扩散。为了展示核心思想，我们接受Ornstein-Uhlenbeck设定，因为它是唯一能同时满足遍历性和最简参数的经典模型。

修正：最简特例：
- 模型：

\[dX_t = -\alpha X_t dt + dW_t + dJ_t, \quad \alpha>0,\]

其中 \(J_t\) 为复合泊松，跳跃强度 \(\lambda\) 和跳跃大小分布 \(F\)（均值为0，方差已知）已知。
- 参数：\(\theta = \alpha\)，一维。
- 观测：\(X_{0}, X_{\Delta_n}, X_{2\Delta_n}, \dots, X_{n\Delta_n}\)，\(\Delta_n\to 0\)，\(n\Delta_n\to\infty\)。
- 可计算增量 \(Y_i = X_{i\Delta_n} - X_{(i-1)\Delta_n}\)。
- 由于扩散部分尺度为 \(\sqrt{\Delta_n}\)，跳跃部分大小为 \(O(1)\)，利用阈值 \(u_n=\Delta_n^{\kappa}\)（\(0<\kappa<0.5\)，如 \(\kappa=0.49\)）可以以高概率判定哪些增量包含跳跃：若 \(|Y_i|>u_n\)，则判定该区间内存在跳跃；否则视为纯扩散（即连续部分主导）。
- 构造近似转移密度 \(\widetilde{p}_n(y|x;\alpha)\) 如下：
- 对于被判定为“无跳跃”的观测，使用高斯扩散转移密度（基于连续部分近似）：

\[\widetilde{p}_n(y|x;\alpha) = \frac{1}{\sqrt{2\pi\Delta_n}} \exp\Big(-\frac{(y + \alpha x \Delta_n)^2}{2\Delta_n}\Big),\]

即忽略跳跃发生的概率。
- 对于被判定为“有跳跃”的观测，使用跳跃部分主导的密度（可近似为已知跳跃大小分布的卷积形式，但需要边际化跳跃次数；实际构造中常将这类观测的贡献视为已知，此处从略）。 - 核心命题（最小内核）：基于近似转移密度 \(\widetilde{p}_n\) 的似然比 \(\log \frac{\widetilde{L}_n(\alpha+h/\sqrt{n\Delta_n})}{\widetilde{L}_n(\alpha)}\) 在 \(\mathbb{P}_\alpha\) 下依分布收敛到 \(N(h I_\alpha, I_\alpha)\)（其中 \(I_\alpha = \mathbb{E}[X_t^2]\)），即近似模型的LAN。然后通过证明真实似然比与近似似然比的差异在 \(L^2\) 下可忽略，推出真实模型同样具有LAN（或LAMN，当信息矩阵随机）。
- 证明思路：对近似序列应用Jeganathan条件，即检验存在平方可积函数 \(\ell(\theta; X_{i\Delta_n}, X_{(i-1)\Delta_n})\) 使得模型的Hellinger可微性成立。阈值法保证了近似密度在无跳跃区间上的误差是 \(o_p(\sqrt{\Delta_n})\) 量级。

这个例子清楚展示了即使没有转移密度显式表达式，阈值分离 + 分段高斯近似 + L²正则性也能导出LAN。论文在一般情形下只是把这个过程严格化：假设更一般的漂移、扩散、跳跃核，允许跳跃活动不仅限于复合泊松，且允许扩散系数未知。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在离散高频率观测（\(\Delta_n\to 0\)，时间跨度 \(n\Delta_n\to\infty\)）下，证明一般的ergodic跳扩散过程（漂移、扩散、跳跃结构均被有限维参数 \(\theta\) 控制）的统计模型满足LAN性质（进而真实模型满足LAMN），从而为拟似然估计和贝叶斯估计的渐近有效性提供了理论保证，并构造渐近一致最优势检验。
核心工具/方法：采用Jeganathan (1982) 的 \(L^2\) 正则性条件 + 阈值技术构造近似转移密度 \(\widetilde{p}_n\)，证明近似模型的LAN，并利用一个引理（Lemma 3.1或类似）将从近似模型到真实模型的LAMN传递。
主要结论：
(a) 在正则性条件下，近似转移密度模型满足LAN，其信息矩阵非随机。
(b) 真实模型满足LAMN（信息矩阵可能随机）。
(c) Shimizu and Yoshida (2006) 和 Ogihara and Yoshida (2011) 提出的拟似然估计 \(\hat{\alpha}_n\) 和贝叶斯估计 \(\tilde{\alpha}_n\) 在该模型下是渐近有效的（即渐近方差达到LAMN下界）。
(d) 可构造渐近一致最优势检验（如Wald检验或得分检验）。

关键设定与假设¶

完整设定（在第二节最小记号基础上补充）：

过程 \(X_t\) 为 \(\mathbb{R}^d\) 值，定义在概率空间 \((\Omega,\mathcal{F},\{\mathcal{F}_t\},\mathbb{P}_\theta)\)，\(\theta\in\Theta\subset\mathbb{R}^p\)，\(\Theta\) 为紧集。
漂移系数 \(\mu(x;\alpha)\)：对 \(x\) Lipschitz，对 \(\alpha\) 可微，且满足线性增长条件。
扩散系数 \(\sigma(x;\beta)\)：正定、对 \(x\) Lipschitz、对 \(\beta\) 可微。
跳跃部分：由与 \(W_t\) 独立的泊松随机测度 \(N(dt,du)\) 驱动，补偿测度 \(\nu(du)dt\)。跳跃核 \(z(x,u;\gamma)\) 满足：存在常数 \(C\) 使得 \(\|z(x,u;\gamma)\|\leq C\|x\| + \text{常数}\)；对参数 \(\gamma\) 可微。
遍历性：存在唯一不变分布 \(\pi_\theta\)，且过程是 \(\beta\)-混合或几何遍历，使得从任意初始分布出发，观测分布以指数速度收敛到 \(\pi_\theta\)。
采样方案：\(\Delta_n \to 0\)，\(n\Delta_n \to \infty\)，且满足 \(\Delta_n^{3-\epsilon} n \to 0\)（这是Gloter et al. (2016) 中类似的条件，保证阈值能有效分离跳与扩散）。
阈值函数：\(u_n = \Delta_n^{\kappa}\)，\(0<\kappa<1/2\)，具体选择取决于跳跃活动的尾部和扩散尺度。假设跳跃活动有界（如复合泊松），无infinitely active jumps。
\(L^2\) 正则性条件（Jeganathan, 1982）：存在平方可积函数 \(f_n(y|x;\theta)\) 使得转移密度 \(p_n(y|x;\theta)\) 可表示为 \(p_n = f_n^2\)，且 \(f_n\) 在 \(L^2\) 意义上对 \(\theta\) 可微，且导数的 \(L^2\) 范数满足某些控制。

相比已有文献的差异：本文不要求Malliavin可微性（对比Kohatsu-Higa et al., 2015），也允许漂移、扩散和跳跃结构同时未知（对比Clément et al., 2014 仅跳跃）。阈值条件建立在复合泊松假设上，未处理无限活动跳跃。

主要结果¶

定理1（近似模型的LAN）：在假设下，基于近似转移密度 \(\widetilde{p}_n\) 的统计实验序列 \(\{(\mathbb{R}^{dn}, \mathcal{B}(\mathbb{R}^{dn}), \mathbb{P}_\theta^{(n)})\}_{\theta\in\Theta}\) 满足局部渐近正态性。即对任意 \(\theta_0\in\Theta\) 内部，存在正定对称矩阵 \(I(\theta_0)\) 使得对任意有界序列 \(h_n\to h\)，有

\[\log \frac{d\mathbb{P}_{\theta_0 + h_n/\sqrt{n\Delta_n}}^{(n)}}{d\mathbb{P}_{\theta_0}^{(n)}} = h^\top Z_n - \frac{1}{2} h^\top I(\theta_0) h + o_{\mathbb{P}_{\theta_0}^{(n)}}(1),\]

其中 \(Z_n \xrightarrow{d} N(0, I(\theta_0))\)。\(I(\theta_0)\) 为确定型矩阵，由漂移、扩散、跳跃参数对应的Fisher信息块组成，可显式表达（本文给出了形式）。

定理2（真实模型的LAMN）：在相同的正则性条件下，真实转移密度 \(p_n\) 对应的实验序列满足局部渐近混合正态性：即存在随机信息矩阵 \(\Gamma(\theta_0)\)（可能随机）使得

\[\log \frac{d\mathbb{P}_{\theta_0 + h_n/\sqrt{n\Delta_n}}^{(n)}}{d\mathbb{P}_{\theta_0}^{(n)}} = h^\top Z_n - \frac{1}{2} h^\top \Gamma(\theta_0) h + o_{\mathbb{P}_{\theta_0}^{(n)}}(1),\]

其中 \(Z_n\) 依分布收敛到混合正态分布 \(MN(0, \Gamma(\theta_0))\)。关键点：由于跳跃部分的存在，信息矩阵可能依赖于散度实现（即 \(\Gamma\) 随机），故为LAMN而非LAN。本文证明 \(\Gamma\) 与 \(\widetilde{I}\) 之间的关系，即 \(\Gamma = \widetilde{I} + \text{随机项}\)，其中 \(\widetilde{I}\) 为近似模型信息矩阵。

推论（渐近有效估计和检验）：拟似然估计 \(\hat{\theta}_n\) 和贝叶斯型估计 \(\tilde{\theta}_n\) 满足

\[\sqrt{n\Delta_n} (\hat{\theta}_n - \theta_0) \xrightarrow{d} MN(0, \Gamma^{-1}(\theta_0)),\]

且达到Hájek-Le Cam卷积下界，因此是渐近有效的。进一步，基于LAMN可构造一致最优势检验（如Wald检验）的渐近版本。

技术难点：证明近似模型到真实模型的LAMN传递，核心在于控制两个似然比差的 \(L^2\) 范数。作者利用了如下引理（Lemma 3.1，从田调）：若存在一个密度序列 \(\{q_n(y|x;\theta)\}\) 满足对每个有界局部序列 \(\theta_n \to \theta_0\)，有

\[\int \left|\sqrt{p_n} - \sqrt{q_n}\right|^2 d\mu = o(1/n\Delta_n),\]

则真实模型与近似模型具有相同的LAMN。证明这一条件是阈值法的关键。

证明路线与技术技巧¶

整体路线（5步）：

构造近似转移密度 \(\widetilde{p}_n\)：
对每个观测区间 \((t_{i-1}, t_i]\)，定义事件 \(A_i = \{ |Y_i| \leq u_n \}\)（无跳跃）和 \(A_i^c\)（有跳跃）。设定：
\[\widetilde{p}_n(y|x;\theta) = \begin{cases} \phi_{\mu,\sigma}(y;x) & \text{若 } |y| \leq u_n \\ \ell_n(y|x;\theta) & \text{若 } |y| > u_n, \end{cases}\]
其中 \(\phi_{\mu,\sigma}\) 为连续部分的高斯近似密度，\(\ell_n\) 为跳跃部分的密度（由复合泊松的分布卷积高斯尾部得到，可近似为泊松-跳跃和的小概率事件的密度）。细节中需保证归一化。
证明近似模型的LAN：
直接对 \(\widetilde{p}_n\) 应用Jeganathan的 \(L^2\) 正则性条件。由于 \(\widetilde{p}_n\) 有显式表达式，可计算其Hellinger导数，验证如下：
\[\int \left|\sqrt{\widetilde{p}_n(y|x;\theta_0 + h/\sqrt{n})} - \sqrt{\widetilde{p}_n(y|x;\theta_0)} - \frac{h}{2\sqrt{n}} \dot{\ell}_{\theta_0}\sqrt{\widetilde{p}_n(y|x;\theta_0)}\right|^2 dy \to 0,\]
其中 \(\dot{\ell}_{\theta_0}\) 为得分函数。关键在于无跳跃部分的导数来自漂移/扩散参数，有跳跃部分来自跳跃核参数。使用鞅中心极限定理证明 \(Z_n\) 收敛到正态。
控制近似与真实模型的差异：
证明对任意局部参数序列 \(\theta_n\)，
\[n\Delta_n \int \left|\sqrt{p_n(y|x;\theta_n)} - \sqrt{\widetilde{p}_n(y|x;\theta_n)}\right|^2 dy \to 0,\]
在遍历性下等价于每个观测区间上的 \(L^2\) 差异是 \(o(1/(n\Delta_n))\)。具体地，阈值法保证：
在无跳跃事件 \(A_i\) 上，真实转移密度与高斯近似的差异来自忽略了的微小跳概率和扩散近似误差，其量级为 \(O((u_n \wedge \Delta_n^{1/2})^2) = O(\Delta_n^{2\kappa} \wedge \Delta_n) = O(\Delta_n^{2\kappa})\)，只要 \(\kappa>1/4\)，有 \(n\Delta_n \cdot \Delta_n^{2\kappa} = n \Delta_n^{1+2\kappa} \to 0\)（需要 \(1+2\kappa > 1\)，即 \(\kappa>0\)；但门限必须小于0.5，因此需要 \(n\Delta_n^{1+2\kappa} \to 0\)，即 \(n\Delta_n^{3} \to 0\) if \(\kappa=1/2\)？实际上，从Gloter et al. (2016) 的条件是 \(n\Delta_n^{3-\epsilon}\to 0\)，此处可能类似，需适当选择\(\kappa\)。
在有跳跃事件 \(A_i^c\) 上，真实密度几乎等于跳跃部分的密度，因为扩散部分贡献为 \(O_p(\sqrt{\Delta_n})\) 而跳跃为 \(O(1)\)，两者卷积引入的误差是 \(O(\Delta_n)\) 可忽略。
应用LAMN传递引理：
由步骤3的 \(L^2\) 差异控制，结合Jeganathan (1982) 的引理（如上所述），推出真实模型也有LAMN。推论：真实模型的LAMN信息矩阵 \(\Gamma(\theta_0)\) 等于 \(\widetilde{I}(\theta_0)\) 加上一个由跳跃不确定性引入的随机项，该随机项可有显式表达式。
估计量的渐近有效性：
利用LAMN下的卷积定理（Hájek, 1972; Le Cam, 1986），任何正则估计量的极限分布是混合正态分布，其方差不小于 \(\Gamma^{-1}\)。拟似然估计（通过优化近似似然）和贝叶斯估计（通过后验均值）已被Ogihara and Yoshida (2011) 和Shimizu and Yoshida (2006) 证明渐近正态且方差等于 \(\Gamma^{-1}\)，因此达到下界。

关键跳跃点：
最吃功夫的引理是证明从近似模型到真实模型的LAMN传递，这需要对 \(L^2\) 差异进行精细的逐次估计，并控制观测间依赖（遍历混合）。作者需要用到如下工具：
- 利用阈值 \(u_n\) 以高概率将每个区间正确分类为连续主导或跳跃主导（需控制错误分类概率）；
- 对连续主导区间，使用扩散过程的局部高斯近似以及漂移系数的局部线性化；
- 对跳跃主导区间，利用复合泊松的性质：在一个小区间内最多一个跳跃（因为 \(\nu(E)\Delta_n\to 0\)），从而可将转移密度近似为卷积形式；
- 最后，通过遍历性将期望的 \(L^2\) 差异转化为不变分布下的积分，并由样本路径的混合性确保时间平均收敛。

技术技巧点名：
- 阈值技术：用于分离连续部分与跳跃部分，是处理跳扩散密度近似的标准方法。本文依赖于复合泊松的有限活动性（有限跳跃强度）。
- Jeganathan \(L^2\) 正则性：替代Aronson估计的核心框架，允许只对密度平方根的可微性作出假设，而不是对密度本身。
- Malliavin calculus：未直接使用，但Fukasawa and Ogihara (2020) 的工作为其提供了LAMN传递的引理基础（用户未提供细节，但文中引用[10]）。
- Ergodic theorem + mixing inequalities：用于处理依赖观测下的中心极限定理和 \(L^2\) 收敛。
- 鞅中心极限定理：用于证明近似模型的得分统计量收敛到正态分布。

真实例子与应用¶

本文为纯理论，无实证例子。没有模拟实验，没有真实数据分析。论文末可能给出了模拟或应用暗示，但用户提供的材料中未显示。因此，本节仅做以上确认。

🔎 结论是否比证明窄¶

从abstract看，本文证明的是真实模型具有LAMN（非LAN），因为信息矩阵可能随机。但标题和很多讨论中称为“LAN property”，这实际上是指近似模型的LAN。作者在abstract末尾澄清了“local asymptotic mixed normality of a statistical model is implied from that for a model generated by approximated transition density functions under suitable conditions.” 因此，严格来说，全文建立的是真实模型的LAMN，而LAN只对近似模型成立。任何使用“LAN”指代真实模型的泛泛表述（例如标题的“LAN for ergodic jump-diffusion processes”）可能过于简洁，需注意。

此外，文中结论（“拟似然估计和贝叶斯估计渐近有效”）依赖于文献[29,32]中这些估计量在跳扩散模型中的某种高斯逼近，而是否完全覆盖本文更一般的模型（全部参数联合估计）可能还需验证。作者可能只证明了他们具有LAMN下的卷积下界，但未给出一个plug-in构造来证明这些估计量的方差确实达到 \(\Gamma^{-1}\)。这一步可能用的van der Vaart (1998) 的一般结果或Ogihara and Yoshida原工作中的论证。对研究者的提醒：建议对比Ogihara and Yoshida (2011) 中关于跳扩散的估计量所需条件是否与本文假设一致。

四、开放问题（点到为止，扎根具体语句）¶

无限活动跳跃的LAN：本文阈值法假设跳跃活动有限（复合泊松），但实际中很多过程涉及无限活动跳跃（如方差Gamma过程）。能否将 \(L^2\) 正则性和密度逼近推广到无限活动跳跃？这是limitation部分（用户未提供）自然留下的开放问题。扎根于：本文假设跳跃为有限强度复合泊松（见条件J1-J3，从Gloter et al. 2016继承）。
非遍历或更弱遍历性下的LAN：本文依赖几何遍历（ergodic）条件。事实上，许多跳扩散过程（如带漂移的Lévy过程）是非遍历的。在非遍历（如扩散尺度随时间增长）情形下是否能建立类似LAN？扎根于：文中所有收敛证明用到混合性以对依赖观测应用CLT；若缺少遍历性，不同观测之间可能存在长期依赖。
高维参数或参数非识别：本文参数空间假设紧致且模型可识别。当跳跃部分与扩散部分参数存在冗余或弱识别（如跳跃很小）。如何刻画此时的信息矩阵（可能是奇异的）及估计率？扎根于：本文信息矩阵 \(I(\theta)\) 假设正定，未讨论退化情形。
计算-统计均衡：本文证明的LAN提供了渐近效率的下界，但拟似然估计的计算需要阈值跳跃分离和数值优化。在高维参数或复杂跳跃结构下，是否存在多项式时间算法达到该信息界？或者存在信息-计算缺口？这是与研究者“计算复杂性”兴趣的隐式连接，但本文未涉及。扎根于：本文讨论的是“achievability”（拟似然估计达到下界），但未讨论计算代价。这是一个真正的gap, 可以与研究者熟悉的低度多项式障碍结合思考（尽管跳扩散的模型结构不同于planted clique等经典问题）。
模型选择与假设检验的有限样本行为：本文构造了渐近一致最优势检验，但未给出有限样本下的性质。在阈值依赖和有限样本偏差下，检验的尺寸和势如何？扎根于：定理3的渐近检验，未分析 \(n\) 有限时的扭曲。

提醒研究者：确认上述是否为共识性gap，可查阅该领域近5年（2019-2024）的综述或专著，如“Statistical Inference for Discretely Observed Jump-Diffusion Processes” (H. Masuda, 2020) 等。若多篇论文指向同一方向，则为真gap。

Maintained by 陈星宇 · Homepage · Source on GitHub