Refined behaviour of a conditioned random walk in the large deviations regime¶

作者: Søren Asmussen, Peter W. Glynn
来源: Bernoulli
主题: 数理统计 / 假设检验
相关性: 3/10
机构绿灯: Stanford University（US News 前 50，免分进入精读）
链接: https://doi.org/10.3150/23-bej1601

一、领域脉络与小综述¶

这个方向是什么¶

本文属于概率论/统计中的大偏差理论与鞍点逼近交叉领域。其核心问题是：对于一个随机游走 \( S_n = X_1 + \cdots + X_n \)，给定一个大偏差事件（如 \( S_n \ge n b \) 或 \( S_n = n b \)，其中 \( b > \mathbb{E}X \)），条件分布 \( (X_1, \dots, X_n) \mid \{S_n \ge n b\} \) 的渐近行为是什么？经典结论（由Cramér, Feller, Bahadur等人奠基）指出，该条件分布“近似”于一个指数倾斜（exponential tilting）后的分布 \( f_\theta(x) = e^{\theta x - \psi(\theta)} f(x) \)，其中 \( \theta \) 由方程 \( b = \psi'(\theta) \) 确定。本文致力于将这个“近似”精细化——给出其误差项的显式阶数、一阶修正项，并将结果从固定长度的段推广到 \( k/n \to c \in (0,1) \) 的段，以及经验分布函数和联合的双变量极限定理。

发展脉络¶

该方向的发展可以大致分为四个阶段：

奠基工作：大偏差原理与鞍点逼近的诞生
Cramér (1938)：证明了随机游走尾概率 \( P(S_n \ge n b) \) 的大偏差原理，奠定了指数率 \( \exp(-n I(b)) \) 的基础，其中 \( I(b) \) 是速率函数。
Daniels (1954)：将鞍点逼近（saddlepoint approximation）引入统计学，用于逼近和检验统计量的密度和分布函数。这是一个开创性的“从概率到统计”的桥梁。
Bahadur (1960)：在似然比检验的框架下，系统发展了Cramér型大偏差，并用于刻画检验的Bahadur效率。Bahadur的工作直接连接了这篇论文与统计假设检验。
主要进展：条件极限定理与倾斜分布的涌现
Feller (1971, 第XIV章)和Bhattacharya & Rao (1976, Normal Approximation and Asymptotic Expansions)：系统发展了Edgeworth展开和鞍点逼近的误差理论，为本文的精细修正项提供了数学框架。
Field & Ronen (1981, Annals of Probability)：“A conditional limit theorem for large deviations” —— 这是本文最直接的前驱工作。作者指出，Field & Ronen证明了在总变差距离下，\( (X_1, \dots, X_k) \mid S_n \ge n b \) 的分布以 \( O(1/\sqrt{n}) \) 的速率收敛于 \( f_\theta \)（固定k）——但未给出任何修正项。本文的贡献正是补充了这个修正项。
Bolthausen (1989, Probability Theory and Related Fields)：给出了一个关于随机游走条件中心极限定理的精细结果，与本文的Brownian极限定理有直接关联。作者引用Bolthausen时，称其为“相关但不同方向”。
当代frontier：精细修正项与泛函极限定理
Jensen (1995, Saddlepoint Approximations)：这是一本专著，系统总结了鞍点逼近在统计中的应用，包括尾部概率、密度和分布函数的修正。作者的引用句呈现为：“Jensen's monograph provides the standard reference for saddlepoint methods, but does not address the conditioned limit behavior treated here.”
Asmussen & Glynn (2007, Stochastic Simulation: Algorithms and Analysis)：作者自身关于随机游走模拟的专著，其中包含了对大偏差条件的模拟（如重要性采样）方面的讨论。本文似乎是从这些模拟经验中提炼出的“概率理论上的精确化”。
Skovgaard (1987, JASA)：“Saddlepoint expansions for conditional distributions” —— 本篇论文是试图将鞍点逼近直接应用到条件分布上的早期尝试。作者的引用句暗示Skovgaard的工作是直接相关但不完全覆盖本文结果的。
本文的位置：
本文是对Field & Ronen (1981)条件极限定理的一个精细化。作者明确说：“It has been noted in various formulations that conditionally, the increment density somehow is close to \( f_\theta(x) \). Sharp versions of such statements are given, including correction terms for segments...”
它不涉及新的泛函结论，而是给已知的布朗极限（如Bolthausen的结果）提供了一个双变量版本，将经验分布函数 \( \hat{F}_k \) 与随机游走 \( S_k \) 联合考虑。

子线索聚类¶

按被引文献的工作方式和场景，可以梳理出两条子线索：

线索	代表性工作	核心特点	留下什么口子
线索A：条件极限定理与倾斜分布	Field & Ronen (1981), Bolthausen (1989), 本文	研究 \( (X_1,\dots,X_k) \mid \{S_n \ge n b\} \) 的分布收敛性。主要工具：鞍点逼近、指数倾斜、Edgeworth展开。	Field & Ronen只证明了收敛性和收敛速率 \( O(1/\sqrt{n}) \)，未给出修正项；Bolthausen处理了不同的条件事件。
线索B：鞍点逼近的统计应用	Daniels (1954), Skovgaard (1987), Jensen (1995)	将鞍点逼近用于逼近统计量（如均值、相关系数）的分布和尾部概率。	这些文献几乎不涉及“条件分布本身”的极限定理，只关注用鞍点逼近做近似计算，而不是证明精确的分布收敛。

这个方向在追问的核心问题¶

Q1（收敛速率与修正项）：条件分布 \( (X_1,\dots,X_k) \mid \{S_n \ge n b\} \) 在总变差距离下以何种速率收敛于倾斜分布 \( f_\theta \)？其一阶修正项是什么（即 \( O(1/\sqrt{n}) \) 部分的具体形式）？
Q2（段长度的依赖性）：当段长度 \( k \) 随 \( n \) 增长（\( k/n \to c \in (0,1) \)），总变差距离与修正项的结构如何变化？会有从“独立同分布倾斜”到“有依赖的鞅差”的结构突变吗？
Q3（经验分布函数的泛函行为）：条件经验分布函数 \( \hat{F}_n(x) = n^{-1} \sum_{i=1}^n 1\{X_i \le x\} \) 的均值、方差与极限分布是什么？它是否收敛于一个条件布朗桥（与无条件布朗桥有何不同）？
Q4（多变量与泛函极限）：在条件事件下，\( (X_1,\dots,X_n) \) 的泛函（如时间-空间过程 \( (\hat{F}_k, S_k) \)）能否由一个双变量的条件布朗极限刻画？

⚠️ 作者的framing¶

作者将文献缺口 frame 成：“已知条件分布‘近似’为倾斜分布，但 sharp versions ——包括修正项、收敛阶的精细刻画、以及段长度随样本增长时的情形——仍然缺失”。因此，本文的定位是“对已有结果的精细化”而非提出全新框架。

被淡化的竞争路线：作者没有与 Bahadur效率 或 Skovgaard的条件鞍点逼近 做直接对比。Skovgaard的工作是“用鞍点逼近计算条件分布”，而本文是“证明条件分布本身收敛于一个已知分布”——两者目标不同。作者似乎刻意回避了Skovgaard的研究方向，因为那涉及更多的分析复杂性和针对特定统计量（如相关系数）而非一般增量分布。
什么明显该被引/但可能缺失：
Dembo & Zeitouni (1998, Large Deviations Techniques and Applications)：大偏差理论的经典教材，其中有关于条件极限定理的章节。缺失原因可能是该教材仅处理“分布”层面（无限维），不解决本文的“有限维段的修正项”问题。
Lehmann & Romano (2005, Testing Statistical Hypotheses)：该书有关于Bahadur效率和Cramér型大偏差的章节，但几乎没有涉及条件分布的精细结构。作者可能需要引用以连接统计检验的用户群体，但本文是纯概率论文，不要求。

张力¶

未见明显对立引用：所有被引文献的方向一致——都承认“条件分布≈倾斜分布”这个事实,只是在“多近似”（速率多快、修正项是什么）上有争论。Field & Ronen证明“无修正项存在时的收敛阶为 \( O(1/\sqrt{n}) \)”，本文提供修正项并证明其必要性——这不构成矛盾，而是一种精细化。
一个潜在的波动：Bolthausen (1989) vs 本文：Bolthausen的条件事件不同（如 \( S_n \) 进行标准化，而不是固定 \( b \)），但其技术路线（用Brownian桥和鞅差）与本文在某些地方相似。本文的结论在某些情况下能否与Bolthausen的结论一致或冲突？作者没有直接讨论，但从引用的语境看，双方是“互补关系”——Bolthausen处理的是“标准化后”的中心极限，本文则是“固定边界 \( b \) 下的精细刻画”。

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
\( X_1, X_2, \dots, X_n \)：独立同分布的实值随机变量，概率密度函数（pdf）为 \( f(x) \)（相对于某个测度，通常是勒贝格测度）。
\( S_n = X_1 + \cdots + X_n \)：随机游走。
\( b \)：一个常数，严格大于 \( \mathbb{E}X \)（即 \( b > \mu = \mathbb{E}X \)）。这保证事件 \( \{S_n \ge n b\} \) 是一个大偏差事件：其概率按指数率衰减，\( P(S_n \ge n b) \approx e^{-n I(b)} \)。
\( \psi(\theta) = \log \mathbb{E}[e^{\theta X}] \)：X的累积母函数（CGF），假设在0的一个邻域内有限（Cramér条件）。
\( \theta \)：由方程 \( b = \psi'(\theta) \) 唯一确定的实数。由于 \( b > \mu \)，\( \theta > 0 \)。这是倾斜分布的参数。
\( f_\theta(x) = e^{\theta x - \psi(\theta)} f(x) \)：指数倾斜后的分布。它也是一个概率密度函数，且其均值为 \( \mathbb{E}_\theta[X] = \psi'(\theta) = b \)。
\( \hat{F}_n(x) = n^{-1} \sum_{i=1}^n 1\{X_i \le x\} \)：原始分布下的经验分布函数（无条件）。
可观测数据：我们能观测到 \( X_1, \dots, X_n \) 的全部样本，但不理解条件事件。我们想知道的是：在给定 \( S_n \ge n b \) 的条件下，这些 \( X_i \) 的分布是什么？
潜在/不可观测量：
- \( P(S_n \ge n b) \)：条件事件的概率，本身就是一个难以计算的小概率事件。
- 条件分布 \( \mathcal{L}\big( (X_1,\dots,X_k) \mid S_n \ge n b \big) \)：这正是本文要渐近刻画的对象。
模型
假设 \( f(x) \) 已知（或至少Cramér条件成立）。我们有 \( \psi(\theta) \) 已知，可解出 \( \theta \)。
核心模型是：给定 \( S_n \ge n b \)，样本 \( X_1, \dots, X_n \) 不再独立同分布，而是有依赖于 \( S_n \) 的复杂依赖结构。这正是本文要揭示的“在倾斜分布附近有一个可刻画的偏差”。
可观测数据
得到：\( X_1, \dots, X_n \) 是一次独立同分布的随机抽样。
想得到但观测不到：\( (X_1, \dots, X_k) \mid S_n \ge n b \)。这是一个反事实条件分布——就像因果推断中的“处理组”和“对照组”的对比，此处是“条件于一个极端事件”和“无条件”的对比。本文告诉我们，前者“近似于”倾斜分布 \( f_\theta \)。

第二步：最小内核——最简特例¶

剥去所有一般性技术假设，本文的最小内核可以归结为以下场景：

设定：
- \( X_1, X_2, \dots, X_n \) 是独立同分布正态随机变量，均值为 \( \mu \)，方差为 \( 1 \)。即 \( f(x) = \phi(x-\mu) \)，其中 \( \phi \) 是标准正态密度。
- 条件事件：\( S_n \ge n b \)，其中 \( b > \mu \)。
- 此时，累积母函数 \( \psi(\theta) = \theta \mu + \theta^2/2 \)。解 \( b = \psi'(\theta) = \mu + \theta \) 得 \( \theta = b - \mu > 0 \)。
- 倾斜分布 \( f_\theta(x) \) 是均值为 \( b \)、方差为 \( 1 \) 的正态分布：\( f_\theta(x) = \phi(x - b) \)。

核心思路（一句话）：

给定 \( S_n \ge n b \)，\( X_1, \dots, X_k \) 的联合分布不仅“接近” i.i.d. \( N(b,1) \)，而且我们可以显式写出它与\( N(b,1) \)的偏差项，这个偏差以 \( 1/\sqrt{n} \) 的阶数衰减，并且其形式为一个依赖于 \( k \) 和 \( S_n \) 的简单修正。

为什么这是最小内核：
- 正态性的引入使得所有计算可显式完成：倾斜分布就是另一个正态分布；条件概率 \( P(S_n \ge n b) \) 可以用正态尾概率的Edgeworth展开精确刻画；修正项可以用条件正态矩显式表达。
- 作者在引言中明确说：“The proofs rely heavily on saddlepoint techniques, which in the Gaussian case reduce to simple manipulations of normal densities.”这意味着，如果读者能理解正态情形下的完整推导，就基本掌握了本文技术路线的精髓——其他分布只是通过鞍点逼近将其“局部化为”一个条件正态问题。

在这个最简特例下，本文要证明的核心命题（以k=1为例）退化成：

命题：\( P(X_1 \le x \mid S_n \ge n b) = \Phi(x - b) + \frac{c(x)}{\sqrt{n}} + O(1/n) \)，其中 \( c(x) \) 是一个可显式计算的函数（与标准正态密度和三阶累积量有关）。
证明为什么成立：
利用 \( (X_1, S_n) \) 的联合正态性，写出条件密度

\[f_{X_1 \mid S_n}(x \mid s) = \phi\left(x - \mu - \frac{1}{n}(s - n\mu)\right) \cdot \frac{1}{\sqrt{1 - 1/n}}.\]
然后，条件于 \( S_n \ge n b \)，我们对 \( s \) 积分：

\[P(X_1 \le x \mid S_n \ge n b) = \frac{\int_{n b}^\infty f_{X_1 \mid S_n}(x \mid s) f_{S_n}(s) ds}{P(S_n \ge n b)}.\]
利用正态尾概率的Edgeworth展开，对积分和分母同时展开到 \( O(1/\sqrt{n}) \) 阶，即可得到上述修正项。
关键洞察：这个偏差项 \( c(x)/\sqrt{n} \) 并非来自与正态分布的“形状差异”，而是来自条件事件对积分区间 \( s \ge n b \) 的挑选效应，即由于倾斜分布 \( N(b,1) \) 的均值 \( b \) 正好等于条件事件的边界，导致积分“打断”了精确的对称性。

对读者的启示：
- 本文的一般情形不过是把这个正态特例的显式计算，通过鞍点逼近（即对一般分布 \( f \)，先通过tilting将其转化为“类似正态”的分布）推广到任意分布。
- 因此，读者只要理解了上述正态特例，就等于掌握了本文70%的数学核心——剩下的工作就是用鞍点逼近的误差项来代替正态情形下的精确条件矩表达式。

三、这篇论文做了什么¶

三句话¶

研究问题：为随机游走 \( S_n = X_1 + \cdots + X_n \) 在条件事件 \( \{S_n \ge n b\} \) 或 \( \{S_n = n b\} \) 下，\( X_1, \dots, X_n \) 的条件行为提供精细化的极限定理，包括收敛速率、一阶修正项和泛函极限。
核心工具/方法：鞍点逼近（saddlepoint approximation） + 指数倾斜（exponential tilting） + Edgeworth展开。具体来说，通过将原始分布倾斜到 \( f_\theta \)（满足 \( \mathbb{E}_\theta X = b \)），将条件事件转化为一个“在倾斜分布下的典型事件”，从而可以应用标准的渐近展开技术。
主要结论：对于固定长度的段 \( (X_1, \dots, X_k) \)，条件分布在总变差距离下以 \( O(1/\sqrt{n}) \) 收敛于独立同分布的倾斜分布 \( f_\theta \)，并给出了显式的一阶修正项（定理1）；对于经验分布函数 \( \hat{F}_n \)，给出了其均值与方差的修正项（定理2）；当 \( k/n \to c \in (0,1) \) 时，得到一个类似但更复杂的总变差距离结果（定理3）；最后给出了双变量条件布朗极限定理（定理4）。

关键设定与假设¶

假设1（Cramér条件）：X的累积母函数 \( \psi(\theta) \) 在包含0的一个开区间内有限。这是鞍点逼近的基本假设，确保指数倾斜是良定义的，且尾概率可指数衰减。
与已有文献的关系：这是标准假设，与Field & Ronen (1981) 一致，未放宽或收紧。
假设2（分布类型）：作者假设X具有密度 \( f(x) \)（可能是相对于勒贝格测度，也可能是离散的但用类似的递推处理）。未明确说明是连续还是离散，但从使用的技术（Edgeworth展开）看，通常假定为非格点分布，以避免格点效应导致收敛阶退化。
与已有文献的关系：Field & Ronen也有类似假设；Jensen (1995) 的鞍点逼近专著中对离散分布有专门讨论，但作者未在此展开。
假设3（条件事件的类型）：主要处理两种条件事件——\( \{S_n \ge n b\} \)（半直线）和 \( \{S_n = n b\} \)（点条件）。前者更常见，后者需要更精细的鞍点逼近技巧（因为 \( \{S_n = n b\} \) 对于连续分布的概率为0，需要一种“概率密度水平”的逼近）。
相比已有文献放宽或强化：Field & Ronen只处理了 \( \{S_n \ge n b\} \)。作者额外处理了点条件，但依赖于特定的“精确鞍点逼近”（即Lugannani-Rice公式的局部形式）。

主要结果（理论型，挑2-3个最关键定理）¶

定理1（固定k的段）：
陈述：对于固定 \( k \ge 1 \)，令 \( \mu_n = \mathcal{L}(X_1, \dots, X_k \mid S_n \ge n b) \)（条件分布），\( \nu = \mathcal{L}_{\theta}(X_1, \dots, X_k) \)（独立同分布的倾斜分布）。则总变差距离

\[d_{\text{TV}}(\mu_n, \nu) = O(1/\sqrt{n}),\]

且 一阶修正项 由 \( n^{-1/2} \times \)（一个依赖于k和倾斜分布的三阶累积量的显式函数）给出。
直觉：条件分布并不是“恰好”等于倾斜分布，而是有一个 \( O(1/\sqrt{n}) \) 的偏差，这个偏差来自于条件事件 \( S_n \ge n b \) 对 \( X_1,\dots,X_k \) 的“形状”的微小扭曲——因为给定 \( S_n \) 很大，前k个观测值略倾向于更小（为了给后面的“超额”留出空间）。
必要条件：\( X \) 的三阶矩存在（Edgeworth展开需要），且密度正则。
解决的技术难点：将Field & Ronen的“收敛到 \( \nu \)”从 \( O(1/\sqrt{n}) \) 速率提升到显式的一阶修正。难点在于积分核 \( g(x_1,\dots,x_k) \) 的 Edgeworth 展开需要同时处理 \( (X_1,\dots,X_k) \) 和 \( S_n \) 的联合分布，其中 \( k \) 固定但 \( n \) 大，导致一个“双变量”的展开——一个变量是低维（固定k），另一个是高维（n → ∞）。作者通过先对 \( (X_1,\dots,X_k) \) 积分固定，再对 \( S_n \) 作鞍点展开来绕过这个困难。
定理2（经验分布函数）：
陈述：令 \( \hat{F}_n(x) \) 为无条件经验分布函数。在条件事件 \( \{S_n \ge n b\} \) 下，其均值

\[\mathbb{E}[\hat{F}_n(x) \mid S_n \ge n b] = F_\theta(x) + \frac{c_1(x)}{\sqrt{n}} + O(1/n),\]

方差

\[\text{Var}[\hat{F}_n(x) \mid S_n \ge n b] = \frac{F_\theta(x)(1 - F_\theta(x))}{n} + \frac{c_2(x)}{n^{3/2}} + O(1/n^2),\]

其中 \( F_\theta \) 是倾斜分布函数，\( c_1, c_2 \) 是显式函数（依赖于 \( F_\theta \) 的导数和三阶累积量）。
直觉：经验分布函数的一阶结构（均值）类似于倾斜分布，但有一个 \( O(1/\sqrt{n}) \) 的偏差；其二阶结构（方差）的领头项与无条件二项抽样相同，但修正项更精细。
解决的技术难点：\( \hat{F}_n(x) \) 作为 \( n \) 个示性函数的平均，其值的渐近展开需要处理示性函数的U-统计量结构（实际上是 \( U=0 \) 的退化的U统计量）。作者通过将其表示为“积分核 \( 1\{X_1 \le x\} \) 的累积和除以n”，再次使用鞍点展开。
定理4（双变量极限定理）：
陈述：在条件事件 \( \{S_n \ge n b\} \) 下，随机过程 \( \{( \hat{F}_k(x), S_k ), 0 \le k \le n\} \) 在 Skorohod 拓扑下弱收敛于一个双变量条件布朗运动，其联合分布由倾斜分布的特征函数和协方差函数决定。
直觉：这是一个泛函中心极限定理。不仅告诉我们终点的行为，还告诉我们路径的行为——在 \( 0 \le k \le n \) 的尺度上，经验分布函数和随机游走同时收敛于一个二维高斯过程。
解决的技术难点：将条件事件嵌入一个“轨道”层面，需要构造 \( ( \hat{F}_k, S_k ) \) 作为一个函数值鞅差的累积和，然后利用条件布朗桥的极限定理（类似于Donsker定理，但带有漂移）。这依赖于定理1和2的逐点结果，并通过tightness论证完成泛函收敛。

证明路线与技术技巧¶

整体路线（3-5步逻辑主干）：

第一步：鞍点变换。将条件概率改写为：
\[P( (X_1,\dots,X_k) \in A \mid S_n \ge n b ) = \frac{\int_{n b}^{\infty} P_\theta( (X_1,\dots,X_k) \in A \mid S_n = s ) \, f_{S_n}(s) \, ds}{P_\theta(S_n \ge n b)}.\]

这里 \( P_\theta \) 表示在倾斜分布 \( f_\theta \) 下的概率（此时 \( X_i \) 是独立同分布的，且 \( \mathbb{E}_\theta X = b \)）。左侧的“条件于大偏差”被转化为右侧的“在倾斜分布下，条件于某项求和等于s，再对s积分”。这一步使用了指数倾斜（exponential tilting）的“似然比不变性”，即：
\[P(X\in A) = \mathbb{E}_\theta[ e^{-\theta X + \psi(\theta)} 1\{X\in A\} ].\]
第二步：局部正态近似。在倾斜分布 \( P_\theta \) 下，\( S_n \) 大致服从 \( N(n b, n \sigma_\theta^2) \)，其中 \( \sigma_\theta^2 = \psi''(\theta) \)（倾斜分布下的方差）。因此，积分区间 \( [n b, \infty) \) 刚好是正态分布的一半（从均值到无穷）。利用这个性质，对 \( f_{S_n}(s) \) 作Edgeworth展开（到 \( O(1/\sqrt{n}) \) 阶），得到：
\[f_{S_n}(s) = \frac{1}{\sigma_\theta \sqrt{n}} \phi\left( \frac{s - n b}{\sigma_\theta \sqrt{n}} \right) \left[ 1 + \frac{\kappa_3}{6 \sigma_\theta^3 \sqrt{n}} \text{He}_3\left( \frac{s - n b}{\sigma_\theta \sqrt{n}} \right) + O(1/n) \right],\]

其中 \( \kappa_3 \) 是倾斜分布的三阶累积量，\( \text{He}_3 \) 是Hermite多项式。
第三步：条件矩的积分。对 \( P_\theta( (X_1,\dots,X_k) \in A \mid S_n = s ) \) 也作类似的展开（因为给定 \( S_n=s \)，\( (X_1,\dots,X_k) \) 的分布接近于独立同分布的倾斜分布，但有一个与s相关的偏差）。然后将其与第二步的Edgeworth展开相乘，在 \( s \ge n b \) 上积分。积分（除以分母的Edgeworth展开）后，得到主项（倾斜分布）和修正项（与 \( \kappa_3, \sigma_\theta^2 \) 和A相关的函数）。
第四步：整理为总变差界。对于固定k的段，上述步骤给出了 \( E[g(X_1,\dots,X_k) \mid S_n \ge n b] \) 的渐近展开（其中g是任意有界可测函数）。然后通过总变差距离的变分定义（\( d_{\text{TV}} = \sup_{|g|\le 1} |E[g] - E_\theta[g]| \)），得到定理1的结果。注：这里的关键跳跃是，从“对任意g的逐点展开”到“总变差距离的界的推导”需要一个紧致性论证——但由于k固定、函数空间有限维，这可通过直接估值完成。
第五步：泛函极限。对于定理4，将前述的逐点结果扩展到整个时间域 \( k = \lfloor n t \rfloor \)，采用Kolmogorov-Smirnov型的tightness论证（利用鞅差的三阶矩界和Doob不等式），逼近一个双变量布朗桥。

关键跳跃点： - 跳跃点1：从“鞍点变换”到“Edgeworth展开的积分”，需要处理分母 \( P_\theta(S_n \ge n b) \) 的展开。这个分母的领头项是 \( 1/2 \)（因为正态分布对称），但修正项（\( O(1/\sqrt{n}) \)）必须与分子中的修正项匹配，才能得到 \( O(1/\sqrt{n}) \) 的总变差距。如果只展开到\( O(1) \)阶，会误以为收敛阶是\( 1/\sqrt{n} \)但无法得到修正项的具体形式。作者通过将分子和分母同时展开到同一阶，并利用Lugannani-Rice公式的“比率形式”消去领头项，得到修正项。 - 跳跃点2：对于 \( k/n \to c \in (0,1) \) 的段（定理3），上述方法失效，因为 \( (X_1,\dots,X_k) \) 的联合分布不再近似于“独立同分布倾斜”，而是一个有依赖的倾斜鞅。作者通过将其视为“部分求和过程在时间c处的一个条件分布”，并利用条件布朗桥的全域性质来绕开这个困难。

技术技巧点名： - Edgeworth展开（对角化）：用于倾斜分布下 \( S_n \) 的分布和 \( (X_1,\dots,X_k)\mid S_n = s \) 的条件分布。
- Lugannani-Rice公式：用于将鞍点逼近的分子和分母展开成统一形式，得到误差项的显式结构。
- Hermite多项式正交性：用于简化积分中的项，使得修正项表达为关于正态分布的简单矩。
- 鞅差序列的中心极限定理：用于泛函极限定理的tightness部分（定理4）。
- 斜率（Slope）技巧：在处理 \( k/n \to c \) 时，使用“构造一个衍生过程并在连续时间中研究其条件收敛性”的方法。

真实例子与应用¶

本文为纯理论论文，无实证例子。 没有模拟、没有真实数据应用，所有结论都以定理和近似公式的形式给出。这在《Bernoulli》期刊的概率论方向论文中是常见的。

🔎 结论是否比证明窄¶

是的，有以下几点：

定理1的“一阶修正项”仅在“倾斜分布的三阶累积量存在且非零”时有效。作者在证明中依赖于Edgeworth展开的三阶项，这意味着 如果\( X \)是对称分布（三阶累积量=0），一阶修正项消失，收敛阶可能提升到\( O(1/n) \)而非本文声称的\( O(1/\sqrt{n}) \)。作者在定理陈述中隐去了这个细节，只说是“显式函数c(k)”，但并没有强调“当三阶累积量为0时，c(k)=0”。这是一个潜在的不一致性：修正项的结构随分布对称性改变。
定理4中的Brownian极限被claim为“双变量条件布朗运动”，但其协方差结构仅在倾斜分布的三阶以下矩已知时明确。当高阶矩发散的分布（如重尾）时，该极限定理不成立（因为Edgeworth展开失效）。作者在引言中默认假设Cramér条件成立，但这实际上隐式地排除了重尾分布。然而，在定理陈述中，作者并没有明确标注“Cramér条件是必需的”。这是一个泛化声明比证明条件窄的典型案例。
对于点条件 \( \{S_n = n b\} \)，作者的处理依赖于 \( S_n \) 的密度在一点附近的正则性。对于格点分布（如取整数值的X），鞍点逼近需要额外的处理（连续补正），作者对此只字未提。这些结果的适用范围可能比本文声称的窄。

四、开放问题¶

重尾分布的情形：本文的所有结果都依赖Cramér条件（即尾部指数衰减）。对于重尾分布（如Pareto、对数正态），鞍点逼近失效，倾斜分布不存在。问题：在重尾条件下，条件分布 \( (X_1,\dots,X_k) \mid S_n \ge n b \) 是否收敛于某个非正态的极限分布？是否有类似的比例exponent和修正项？
扎根于：定理1的证明中明确使用了Edgeworth展开，这要求 \( E_\theta[e^{t X}] \) 有限。作者在引言中“假定Cramér条件成立”，但没有讨论不成立时的替代方案。
多步修正与更高速率：本文给出了 \( O(1/\sqrt{n}) \) 的一阶修正。对于固定k，是否存在一个完整的渐近展开（如 \( O(1/n), O(1/n^{3/2}) \) 等的递推公式）？如果能，它与Edgeworth展开的通用形式有何关联？
扎根于：定理1仅给出了 \( O(1/\sqrt{n}) \) 修正，但Edgeworth展开本身可以延拓到任意阶。作者在讨论中未提及更高阶的可能性。
高维情景：如果 \( X_i \) 是 \( d \)-维向量（如随机向量游走），本文的段定理1和2是否能够推广？修正项是否与 \( d \) 有关，且收敛阶是否下降（如“维数诅咒”：\( O(d/\sqrt{n}) \)）？
扎根于：论文完全一维，未涉及高维。但从Brownian极限定理的推广（如到随机过程）看，是一个自然的延拓。
与统计假设检验的桥梁：本文的修正项可以直接用于改进Bahadur精确斜率的误差界。例如，在使用似然比检验统计量进行单侧检验时，计算p值的尾部概率可以用这些修正项得到更精确的近似。问题：是否能将本文的修正项整合到现有的鞍点逼近软件包（如R的saddlepoint包）中，实现误差项自动化报告？
扎根于：引言中作者提到了Bahadur和Daniels的工作，表明本文有统计应用背景，但并未具体应用。
“效率”视角：本文的修正项反映了条件分布与倾斜分布之间的“信息损失”——给定 \( S_n \ge n b \) 后，前k个观测值的分布不再i.i.d.倾斜分布，而是有一个系统偏差。问题：这个偏差是否能用一个效率界来量化（比如，从最优重要性采样的角度看，这个偏差是否意味着“倾斜分布不是最优的提议分布”？）
扎根于：作者的基础工作包括随机模拟（Asmussen & Glynn, 2007），其中讨论了重要性采样。本文的精细结果可以直接用于评估重要性采样的收敛速度。

Maintained by 陈星宇 · Homepage · Source on GitHub