大維廣義Beta矩陣極限譜分布函數(shù)

買吐地·拜爾地，胡 江

（1.和田師范專科學校數(shù)學與信息學院，新疆 和田848000；2.東北師范大學數(shù)學與統(tǒng)計學院，吉林 長春130024）

1 預備知識

多元統(tǒng)計分析是數(shù)理統(tǒng)計的一個重要分支，在社會學、經(jīng)濟學、氣象學等各個領域都有廣泛的應用.隨著計算機技術的發(fā)展，各個行業(yè)都可以收集、儲存大量的數(shù)據(jù)信息資料，然而經(jīng)典多元統(tǒng)計分析的理論卻隨著數(shù)據(jù)維數(shù)的增加表現(xiàn)得越來越差，甚至根本無法應用.這就要求人們研究一些新的理論方法去處理大維數(shù)據(jù)，正是在這樣的背景下隨機矩陣理論應運而生.

隨機矩陣起源于20世紀50年代，當時物理學家們在量子力學中發(fā)現(xiàn)重核子能級結構可以用隨機矩陣的特征根表達，后來在1955年及1958年，數(shù)學物理學家、物理諾貝爾獎獲得者Wigner教授得到這類矩陣特征根經(jīng)驗分布的極限分布，也被稱為半圓律［1－2］.1967年，Marˇcenko和Pastur給出了經(jīng)典樣本協(xié)方差矩陣的極限譜分布函數(shù)［3］，這也被后人稱為M－P律.通常我們假設樣本｛Xi｝為一列獨立同分布的p 維隨機實列向量，i＝1，…，n，并且Xi中元素｛xij｝獨立且滿足期望為0，方差為1.稱矩陣

為樣本協(xié)方差矩陣.假設｛Yi｝為另外一列與｛Xi｝獨立的獨立同分布的p 維隨機實列向量，i＝1，…，N，類似的Yi中元素｛yij｝獨立且滿足期望為0，方差為1，Hn為一個p×p 非隨機正定對稱矩陣.那么記

叫作矩陣A 的經(jīng)驗譜分布函數(shù).這里的δ（·）表示示性函數(shù).此時我們可以定義廣義Beta矩陣.

定義1（廣義Beta矩陣） 將型為Bn＝Sn（Sn＋αnTN）－1的矩陣稱為廣義Beta矩陣，其中αn是任意非隨機正常數(shù).

我們主要考慮當｛p，n，N｝→∞，隨機矩陣Bn＝Sn（Sn＋αnTN）－1的經(jīng)驗譜分布函數(shù)，即FBn 的極限.

Beta矩陣在多元分析中有很多的應用領域，比如檢驗多個總體協(xié)方差矩陣是否相等、多元方差分析、檢驗幾組向量的獨立性、典則相關分析等等.一般情況下只要是涉及比較兩個或多個總體的關系時，往往會用到Beta矩陣，實際上非常多的研究成果都涉及Beta矩陣［3－6］.

記｛z1（1），…，zn（1）｝為一組p 維獨立同分布隨 機 向 量，｛z1（2），…，zN（2）｝是 另 外 一組p 維 獨 立 同分布隨機向量.令μi＝E（z1（i））＝0 以 及Σi＝Var（z1（i）），i＝1，2.那 么 假 設 各 自 滿 足zj（1）＝Σ11／2X（·，j）以 及zj（2）＝其中X（·，j）（X（·，j））表示Xn（XN）的第j列.我們要做的是檢驗

在原假設H0下

其中cn＝n／（n＋N），cN＝N／（n＋N），αn＝N／n.顯然以上所有的檢驗函數(shù)都是Beta矩陣Bn的經(jīng)驗譜分布函數(shù)的線性函數(shù).若Hn＝In為單位陣，白志東等在文獻［7］給出此時Beta矩陣的極限譜分布函數(shù)的形式及其線性譜統(tǒng)計量的中心極限定理.這給大維檢驗問題提供了一種理論支持，但是該理論可以得到檢驗函數(shù)的置信水平，卻無法得到準確的勢函數(shù).為彌補這一不足，我們進行了研究，得到一些有益的結論.

2 主要結果

定義2（Stieltjes變換） 對任意定義在實數(shù)軸上的有界變差函數(shù)G，函數(shù)

稱為函數(shù)G 的Stieltjes變換.

定理1 在Beta矩陣定義的基礎上假設滿足條件：

（ⅰ）αn→α＞0，p／n→βx＞0.

（ⅱ）p／N→βy＞0

（ⅲ）supnE｜x11｜4＜∞，supNE｜y11｜4＜∞.

（ⅳ）｛Hn｝是一列p×p 厄爾米特矩陣，滿足依概率1譜范數(shù)有界，并且｛Hn｝的經(jīng)驗譜分布函數(shù)幾乎處處收斂到非隨機分布函數(shù)H.

（ⅴ）矩陣｛Sn＋αnTN｝的最小特征根隨著n→∞幾乎處處收斂到一個正常數(shù).

由定理1及文獻［7］的定理1.1，我們可以直接得到如下結論：

3 定理證明

引理1［8］記A 與B 是兩個p×n矩陣.那么有

及

其中L（·，·）表示Lévy距離.

引理2［9］對任意隨機矩陣An，令FAn 和sFAn（z）分別表示它的經(jīng)驗譜分布函數(shù)及經(jīng)驗譜分布函數(shù)的Stieltjes變換.那么，如果依概率1，F(xiàn)An 是緊的，并且對z∈C＋，隨著n 趨于無窮時，sFAn（z）幾乎處處收斂到sF（z）.那么存在一個以sF（z）為其Stieltjes變換的非隨機分布函數(shù)F，使得當n趨于無窮時，F(xiàn)An幾乎處處弱收斂到F.

引理3［10］令G 是一個有界變差函數(shù)，x0∈R.如果存在，記作?sG（x0），那么G 在x0可導，并且它的導數(shù)是π－1?sG（x0）.

由引理2我們知道要證明定理1只需要三個步驟：（1）｛FBn｝是幾乎處處緊的其中s滿足方程（1）；（3）方程（1）在C＋上解唯一.

步驟1 對任意實數(shù)t1，t2≥0，我們可以得到

由于在定理1的假設條件下，我們知道FSn 幾乎處處收斂到M－P分布Fymp（參見文獻［3］），并且密度函數(shù)可以表示為

如果y＞1，那么Fymp在原點具有質(zhì)量為1－1／y.其中所以｛FSn｝是幾乎處處緊的.

另外，由定理1的條件（ⅴ），（2）式的第二項使得當n足夠大時可以任意小，那么如果令1／t小于矩陣｛Sn＋αnT｝的最小特征根，即可得｛FBn｝是幾乎處處緊的.

步驟2 由Stieltjes的定義，對z∈C＋，

利用性質(zhì)Bn與S1／2n（Sn＋αnTN）－1S1／2n有相同的特征根.記Bε＝Sn（Sn＋αnTN＋εI）－1，其中ε＞0足夠小.再由引理1我們得到

容易驗證

由定理1中條件（ⅴ）幾乎處處有

進一步有

下面考慮Bε的極限譜分布函數(shù).由于矩陣αnTN＋εI 對于任意ε＞0是可逆的，所以有

其中

由此可得

Silverstein在文獻［11］得到對z∈C＋，矩陣的極限譜分布函數(shù)（非隨機）的Stieltjes變換，記為s＾ε（z），滿足方程

其中Kε表示（αnT＋εI）－1的極限譜分布函數(shù).由于?（z／（1－z））＝｜1－z｜2?z＞0，所以由（5）式我們得到sFBε（z）幾乎處處收斂到一個非隨機的極限sε（z），并且滿足方程

再根據(jù)Kε與K 的定義

所以令ε→0得

其中sT（z）表示分布函數(shù)K（x）的Stieltjes變換.再次利用Silverstein在文獻［8］的結果可以得到

所以得到方程（1）.

步驟3 由于文獻［11］中已經(jīng)證明方程（7）在C＋解唯一.那么根據(jù)引理3，我們得到分布函數(shù)K（x）在幾乎處處意義下唯一，再根據(jù)文獻［7］中定理2.3就得到了方程（6）在C＋中解唯一的結論.綜上所述，定理1得證.

4 模擬結果

我們的模擬數(shù)據(jù)均來自標準正態(tài)分布，但是需要注意的是非正態(tài)數(shù)據(jù)的結果與此類似.首先假定H＝I，那么可以得到推論1.模擬結果中p＝3 000，n＝5 000以及N＝6 000.通過圖1可以看出擬合的效果非常明顯.

圖2直方圖中的H 是對角線元素為1 000 個1 與2 000 個15 的對角陣.首先我們可以看出在0.2～0.3之間有一個小區(qū)間沒有特征根出現(xiàn)，這也就是所謂的絕對分離定理，也是我們今后將研究的問題.另外由于矩陣H 變得復雜以后，極限譜分布函數(shù)的密度函數(shù)f（x）的顯示表達式很難給出，這部分內(nèi)容可以參看文獻［11－12］，所以圖2沒有給出極限譜密度函數(shù)圖像.

圖1 H＝I時，廣義Beta矩陣極限譜分布密度函數(shù)

［1］WIGNER E P.Characteristic vectors of bordered matrices with infinite dimensions［J］.Annals of Mathematics，1955，62（3）：548－564.

［2］WIGNER E P.On the distribution of the roots of certain symmetric matrices［J］.Annals of Mathematics，1958，67（2）：325－327.

［3］MARˇCENKO V A，PASTUR L A.Distribution of eigenvalues for some sets of random matrices［J］.Mathematics of the USSRSbornik，1967，1（4）：457－483.

［4］ANDERSON T.An introduction to multivariate statistical analysis［M］.Third Edition.New York：Wiley，2003：441－458.

［5］FUJIKOSHI Y，ULYANOV V V，SHIMIZU R.Multivariate statistics：high－dimensional and large－sample approximations［M］.New York：Wiley，2011：219－244.

［6］MUIRHEAD R J.Aspects of multivariate statistical theory，Volume 42［M］.New York：Wiley，1982：291－375.

［7］BAI Z D，HU J，PAN G，et al.Convergence of the empirical spectral distribution function of Beta matrices［J］.Bernoulli，2015，21（3）：250－286.

［8］BAI Z D，SILVERSTEIN J W.Spectral analysis of large dimensional random matrices［M］.Second Edition.New York：Springer Verlag，2010：506.

［9］BAI Z D，ZHANG L X.The limiting spectral distribution of the product of the Wigner matrix and a nonnegative definite matrix［J］.Journal of Multivariate Analysis，2010，101（9）：1927－1949.

［10］SILVERSTEIN J W.Strong convergence of the empirical distribution of eigenvalues of large dimensional random matrices［J］.Journal of Multivariate Analysis，1995，55（2）：331－339.

［11］胡江，胡果榮，史曉磊.大維AR（1）模型樣本協(xié)方差陣的極限譜密度［J］.東北師大學報：自然科學版，2010，42（2）：1－6.

［12］SILVERSTEIN J W，CHOI S I.Analysis of the limiting spectral distribution of large dimensional random matrices［J］.Journal of Multivariate Analysis，1995，54（2）：295－309.