Work

Limit Theorems for Stochastic Differential Equations and Their Applications to Statistical Inference under Multiscale Observations

Year: 2026
Type: dissertation
Abstract: Wir untersuchen das Problem der statistischen Schätzung unter dem Aspekt der Modellfehlspezifikation, das heißt, wenn eine Diskrepanz zwischen dem datenerzeugenden Modell und dem tatsächlich interessierenden Modell besteht. Unser Ansatz ist in der mathematischen Theorie multiskaliger Systeme sowie der Homogenisierung stochastischer Differentialgleichungen verankert und wird maßgeblich durch ergodische Eigenschaften der zugrundeliegenden stochastischen Prozesse bestimmt. Die betrachtete Diskrepanz ist von einer schwachen Art: Der stochastische Prozess des datenerzeugenden Multiskalensystems konvergiert schwach, im Sinne von Wahrscheinlichkeitsmaßen, gegen den stochastischen Prozess des interessierenden homogenisierten Modells. Trotz dieser schwachen Modellfehlspezifikation versagen viele bewährte statistische Verfahren, wenn sie auf Daten mit multiskaliger Struktur angewendet werden, und liefern keine zuverlässigen Schätzwerte für Größen des homogenisierten Modells. In dieser Arbeit nehmen wir eine neue Perspektive bezüglich klassischer Grenzwertsätze für stochastische Differentialgleichungen ein, geben zahlreiche Verallgemeinerungen an, darunter insbesondere Ergodensätze sowie zentrale Grenzwertsätze, und schlagen neuartige statistische Schätzer in parametrischen und nichtparametrischen Schätzproblemen unter schwacher Modellfehlspezifikation vor. Wir zeigen nicht nur, dass sich die Grenzwertsätze effektiv zur Herleitung verschiedener asymptotischer Eigenschaften der vorgeschlagenen Schätzer einsetzen lassen, sondern untermauern viele der theoretischen Resultate auch durch umfangreiche numerische Simulationen.
Language: English
Open Access status: green
OpenAlex ID: W7202382147
Cites: 103
Cited by:
Related to: 7