一致可积性

一致可积性 (Uniform Integrability)

一致可积性（Uniform Integrability，简称 UI）是测度论与概率论中一个重要的紧性条件。它刻画了一族随机变量"尾部质量均匀小"的性质——直观地说，无论族中的哪个变量，其极端大值的贡献在期望中都可以被一致地控制。一致可积性是连接依概率收敛与$L^p$收敛的桥梁，也是鞅论中可选停时定理（Optional Stopping Theorem）和鞅收敛定理的关键前提。

定义

设 $\{X_i\}_{i \in I}$ 是概率空间 $(\Omega, \mathcal{F}, P)$ 上的一族随机变量。称该族是一致可积的，如果：

其中 $\mathbf{1}_{\{\cdot\}}$ 为示性函数。这一定义要求：对任意 $\varepsilon > 0$，存在统一的阈值 $M_\varepsilon$（仅依赖于 $\varepsilon$，不依赖于具体的 $i$），使得对所有 $i \in I$，有 $\mathbb{E}[|X_i| \cdot \mathbf{1}_{\{|X_i| > M\}}] < \varepsilon$。

当 $I$ 为单点集时，一致可积性退化为单个可积随机变量的性质：若 $\mathbb{E}[|X|] < \infty$，则由控制收敛定理可知 $\lim_{M \to \infty} \mathbb{E}[|X| \cdot \mathbf{1}_{\{|X| > M\}}] = 0$，即任何可积随机变量作为单元素族是一致的可积。一致可积性的核心在于"一致性"——阈值 $M$ 必须在族中所有变量上统一。

等价刻画

一致可积性有以下常用等价条件，在不同场景中各有便利之处：

1. 有界条件：存在一个非负可积函数 $\Phi: [0, \infty) \to [0, \infty)$，满足 $\lim_{x \to \infty} \Phi(x)/x = \infty$，使得 \[ \sup_{i \in I} \mathbb{E}[\Phi(|X_i|)] < \infty \] 特别地，取 $\Phi(x) = x^p$（$p > 1$）可得：若 $\sup_i \mathbb{E}[|X_i|^p] < \infty$ 对某个 $p > 1$ 成立，则族 $\{X_i\}$ 一致可积。这是最常用的充分条件。
2. de la Vallée Poussin 准则：族 $\{X_i\}$ 一致可积当且仅当存在一个递增凸函数 $G: [0, \infty) \to [0, \infty)$，满足 $\lim_{t \to \infty} G(t)/t = \infty$ 且 $\sup_i \mathbb{E}[G(|X_i|)] < \infty$。这一准则将一致可积性完全等价为某种矩条件的存在性。
3. $L^1$ 有界 + 绝对连续性：族 $\{X_i\}$ 一致可积当且仅当 $\sup_i \mathbb{E}[|X_i|] < \infty$（$L^1$ 有界），且对任意 $\varepsilon > 0$，存在 $\delta > 0$，使得对任意满足 $P(A) < \delta$ 的 $A \in \mathcal{F}$，有 $\sup_i \mathbb{E}[|X_i| \cdot \mathbf{1}_A] < \varepsilon$。这一刻画在验证具体例子时十分有用。

与收敛性的关系：Vitali 收敛定理

一致可积性最重要的理论意义体现在Vitali 收敛定理中。该定理是勒贝格控制收敛定理的推广：

设 $X_n \xrightarrow{P} X$（依概率收敛）。则以下三者等价：

$\text{(ii) }$ \{X\_n\} $\text{ 一致可积}$; \quad

换言之，在依概率收敛的前提下，一致可积性恰好填补了"依概率收敛"与"$L^1$ 收敛"之间的差距。相比于控制收敛定理要求存在一个可积的控制函数 $|X_n| \le Y$，Vitali 定理只要求一致可积性——这是一个更弱的条件，适用范围更广，在随机过程和渐近理论中尤为关键。

在鞅论中的应用

一致可积性是鞅论（Martingale Theory）的核心工具。

鞅的闭包性：若鞅 $\{M_n\}_{n \in \mathbb{N}}$ 一致可积，则存在终值 $M_\infty$ 使得 $M_n = \mathbb{E}[M_\infty \mid \mathcal{F}_n]$ 对一切 $n$ 成立，且 $M_n \xrightarrow{L^1} M_\infty$。此时称鞅是可闭的（closable）。特别地，若 $\{M_n\}$ 是 $L^p$ 有界的鞅（$p > 1$），则它自动一致可积，从而几乎必然和 $L^1$ 收敛。

可选停时定理：一致可积性保证了可选停时定理在期望意义下的成立。若 $\{M_n\}$ 是一致可积鞅，$\tau$ 和 $\sigma$ 是两个停时且 $\tau \le \sigma$ a.s.，则：

逆向鞅：对于逆向鞅（backwards martingale），一致可积性是自动满足的，因此逆向鞅必然几乎必然且 $L^1$ 收敛——该结论在大数定律和可交换性（exchangeability）的 de Finetti 定理证明中扮演关键角色。

在计量经济学与统计中的应用

在计量经济学中，一致可积性是一系列渐近理论论证的技术性前提。在建立M估计量（如极大似然估计量、广义矩估计量）的一致性时，通常需要验证目标函数的随机部分满足某种一致可积性条件，从而将逐点收敛提升为期望收敛。在自回归条件异方差模型（ARCH/GARCH）的渐近理论中，一致可积性用于保证似然函数导数部分的 $L^1$ 收敛。在引导法（Bootstrap）一致性证明中，一致可积性常与一致紧性配合使用，确保重抽样分布的极限行为与原始分布一致。此外，在单位根检验和协整分析中，涉及布朗运动泛函的矩性质时，一致可积性也是关键的验证环节。

常见误区与注意事项

一致可积性虽然强大，但不容与相关概念混淆。首先，$L^1$ 有界不等于一致可积：例如，在 $[0,1]$ 上定义 $X_n = n \cdot \mathbf{1}_{[0,1/n]}$，则 $\mathbb{E}[|X_n|] = 1$ 对所有 $n$ 成立（$L^1$ 有界），但当 $M$ 固定而 $n > M$ 时，$\mathbb{E}[|X_n| \mathbf{1}_{\{|X_n| > M\}}] = 1$，不收敛到零，故非一致可积。这一反例说明，$L^1$ 有界只是必要条件而非充分条件。其次，一致可积 + 依概率收敛 ⇔ $L^1$ 收敛（Vitali 定理），但仅依分布收敛不足以配合一致可积性推出 $L^1$ 收敛——依概率收敛是必不可少的中间环节。再次，控制收敛定理是一致可积的特殊情形：若存在可积随机变量 $Y$ 使得 $|X_n| \le Y$ a.s.，则 $\{X_n\}$ 自动一致可积，但反之不成立——一致可积性的真正价值正在于它放松了对控制函数存在性的要求。在实际验证中，de la Vallée Poussin 准则提供了最便捷的检验路径：只需找到一个增长速度快于线性的凸函数 $G$ 使得 $\sup_n \mathbb{E}[G(|X_n|)] < \infty$，常见选择包括 $G(x) = x^p$（$p > 1$）或 $G(x) = x \log^+ x$。这一技巧在随机微分方程解的矩分析和粒子滤波的收敛性证明中频繁出现。

与条件期望的交互

一致可积性与条件期望的结合在鞅论中尤为重要。若 $\{X_n\}$ 是一致可积族，则其条件期望族 $\{\mathbb{E}[X_n \mid \mathcal{G}]\}$ 在任意子 $\sigma$-代数 $\mathcal{G}$ 下仍然一致可积。这一性质保证了在迭代期望律框架下进行收敛论证时，一致可积性能够从原始变量传递到条件期望，从而支持动态规划和贝叶斯学习等领域的理论推导。此外，一致可积鞅的Doob分解中，鞅部分和可料部分各自继承了一致可积性，使得半鞅分解在大样本极限下保持良好行为。