A complete characterization of testable hypotheses

Diese Arbeit vervollständigt Le Cams Programm, indem sie eine notwendige und hinreichende Bedingung für die Testierbarkeit von Hypothesen ohne die Annahme eines gemeinsamen dominierenden Maßes herleitet, wonach die abgeschlossenen konvexen Hüllen der Wahrscheinlichkeitsmaße im Raum der beschränkten, endlich additiven Maße getrennt sein müssen.

Das Wesentliche

Hier ist eine Erklärung der wissenschaftlichen Arbeit von Larsson, Ramdas und Ruf, übersetzt in einfache, deutsche Sprache mit anschaulichen Analogien.

Das große Rätsel: Wann können wir wirklich unterscheiden?

Stellen Sie sich vor, Sie sind ein Detektiv. Sie haben zwei Verdächtige, nennen wir sie Herr Null (die Nullhypothese) und Herr Alternativ (die Alternativhypothese). Beide geben Ihnen eine Liste von möglichen „Verhaltensmustern" (Wahrscheinlichkeitsverteilungen).

• Herr Null sagt: „Ich könnte so aussehen, so aussehen oder so aussehen..." (Menge $P$).
• Herr Alternativ sagt: „Und ich könnte so aussehen, so aussehen oder so aussehen..." (Menge $Q$).

Ihre Aufgabe ist es, eine Prüfung (einen Test) zu erfinden. Wenn Sie eine Beobachtung machen, soll Ihre Prüfung Ihnen sagen: „Das kommt eher von Herr Alternativ!" oder „Das ist eher Herr Null!".

Das Problem: Manchmal sind die beiden so ähnlich, dass Sie sie nicht unterscheiden können. Manchmal sind sie aber so unterschiedlich, dass Sie eine perfekte Prüfung finden können.

Die große Frage dieses Papers lautet: Wann ist es überhaupt möglich, eine Prüfung zu finden, die besser als reines Raten funktioniert?

Der alte Weg: Der „gemeinsame Boden"

Früher (in den 1950er und 1970er Jahren) hatten Mathematiker wie Lucien Le Cam eine sehr gute Antwort auf diese Frage, aber sie hatte einen Haken. Sie sagten:
„Wenn beide Verdächtigen auf demselben 'Boden' stehen (mathematisch: wenn sie eine gemeinsame Referenzmaß haben), dann können wir sie unterscheiden, wenn und nur wenn ihre 'Schatten' (die konvexen Hüllen ihrer Verteilungen) weit genug voneinander entfernt sind."

Stellen Sie sich das wie zwei Gruppen von Menschen vor, die auf einem großen, flachen Feld stehen. Wenn die Gruppen weit genug voneinander entfernt sind, können Sie eine Linie ziehen, die sie trennt. Das war die alte Regel.

Aber: In der modernen Statistik gibt es viele Probleme, bei denen es diesen „flachen Boden" gar nicht gibt. Die Gruppen stehen vielleicht auf unendlich vielen verschiedenen, zerklüfteten Inseln, die sich nicht alle auf einer einzigen Karte abbilden lassen. Hier versagte die alte Regel. Sie sagte dann einfach nichts mehr aus.

Das neue Problem: Die unsichtbaren Grenzen

Die Autoren dieses Papers zeigen, dass die alte Regel in diesen schwierigen Fällen oft zu optimistisch war. Sie dachten, die Gruppen wären weit genug entfernt, aber in Wirklichkeit waren sie es nicht. Oder umgekehrt: Sie dachten, man könne sie nicht trennen, aber man konnte es doch.

Warum? Weil die alten Mathematiker nur auf die „sichtbaren" Punkte geachtet haben. Sie haben vergessen, dass es unsichtbare Punkte gibt, die man nur erreichen kann, wenn man sich unendlich oft annähert.

Die Lösung: Der „Geister-Raum" (Finitely Additive Measures)

Hier kommt die geniale Idee der Autoren ins Spiel. Um das Rätsel wirklich zu lösen, müssen wir den Raum erweitern, in dem wir suchen.

Stellen Sie sich vor, Sie versuchen, zwei Gruppen von Menschen zu trennen.

1. Die alte Methode: Sie schauen nur auf die Menschen, die tatsächlich da stehen (die „zählbar additiven" Wahrscheinlichkeiten).
2. Die neue Methode: Sie schauen auch auf die Geister, die sich aus der Menge der Menschen ergeben, wenn man sie unendlich oft mischt und sich ihnen unendlich nähert.

In der Mathematik nennt man diese Geister „endlich additive Maße". Sie sind keine „echten" Wahrscheinlichkeiten im klassischen Sinne, aber sie sind notwendig, um die Lücken zu füllen, die entstehen, wenn man unendlich viele Möglichkeiten betrachtet.

Die Autoren sagen:

„Um zu wissen, ob man zwei Gruppen wirklich unterscheiden kann, müssen wir nicht nur auf die Menschen schauen, die da sind, sondern auch auf die Geister, die an den Rändern stehen."

Wenn man diese Geister mit einbezieht (man schließt die „konvexen Hüllen" in einem speziellen mathematischen Raum ab, der „schwache-*-Topologie" heißt), dann funktioniert die Regel wieder perfekt:

• Können wir unterscheiden? Ja, genau dann, wenn die Gruppen (inklusive ihrer Geister) einen gewissen Abstand zueinander haben.
• Wie gut ist die beste Prüfung? Das hängt genau von diesem Abstand ab.

Warum ist das wichtig? (Die Analogie vom unsichtbaren Tunnel)

Stellen Sie sich vor, Sie haben zwei Länder, die durch einen Fluss getrennt sind.

• Die alte Regel sagte: „Wenn die Ufer weit genug voneinander entfernt sind, können wir eine Brücke bauen."
• Aber in manchen Fällen (wie in den Beispielen im Paper) gibt es einen unsichtbaren Tunnel unter dem Fluss, der die Ufer verbindet. Wenn Sie nur auf die Ufer schauen, denken Sie, sie sind getrennt. Aber weil der Tunnel da ist, können Sie nicht unterscheiden.

Die neuen Autoren sagen: „Schauen Sie nicht nur auf die Ufer! Schauen Sie auch in den Tunnel (die Geister/endlich additiven Maße). Wenn der Tunnel da ist, können Sie keine Brücke bauen. Wenn der Tunnel nicht da ist, können Sie es."

Was bedeutet das für die Praxis?

1. Keine Kompromisse mehr: Früher mussten Statistiker oft sagen: „Wir können dieses Problem nicht lösen, weil die Voraussetzungen nicht erfüllt sind." Jetzt haben sie eine exakte Antwort: „Wir können es lösen, wenn und nur wenn die 'Geister-Abstände' groß genug sind."
2. Die beste Prüfung finden: Das Paper gibt eine Formel an, wie man den besten möglichen Fehler (das „Risiko") berechnet. Es ist wie eine Landkarte, die genau zeigt, wie gut man es schaffen kann.
3. Ein kleiner Haken: Manchmal gibt es keine „perfekte" Prüfung, die man tatsächlich ausführen kann (weil sie auf einem dieser Geister basiert). Aber man kann sich ihr immer beliebig annähern. Das ist wie das Streben nach Unendlichkeit: Man erreicht es nie ganz, aber man kommt immer näher.

Zusammenfassung in einem Satz

Dieses Paper löst ein fast 100 Jahre altes Rätsel der Statistik, indem es zeigt, dass man, um zu wissen, ob man zwei unsichere Szenarien unterscheiden kann, nicht nur auf die sichtbaren Daten schauen darf, sondern auch auf die unsichtbaren mathematischen „Grenzfälle" (Geister), die entstehen, wenn man unendlich oft mischt.

Die Moral der Geschichte: Manchmal muss man den Blick erweitern und Dinge zulassen, die auf den ersten Blick „nicht ganz echt" wirken, um die Wahrheit über die Realität zu verstehen.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des vorliegenden Papiers auf Deutsch:

Titel: Eine vollständige Charakterisierung testbarer Hypothesen

Autoren: Martin Larsson, Aaditya Ramdas, Johannes Ruf
Datum: 5. März 2026

---

1. Problemstellung

Das Papier adressiert eine fundamentale Frage in der Hypothesentesttheorie: Gegeben zwei Mengen von Wahrscheinlichkeitsmaßen $\mathcal{P}$ (Nullhypothese) und $\mathcal{Q}$ (Alternativhypothese) auf einem messbaren Raum $(\Omega, \mathcal{F})$, unter welchen Bedingungen existiert ein nichttrivialer Test?
Ein Test $\phi$ (eine messbare Funktion mit Werten in $[0,1]$) wird als nichttrivial (oder strikt unverzerrt) bezeichnet, wenn sein worst-case-Power größer ist als sein worst-case-Level:
$$\sup_{\mu \in \mathcal{P}} \mathbb{E}_\mu[\phi] < \inf_{\nu \in \mathcal{Q}} \mathbb{E}_\nu[\phi]$$
Dies ist äquivalent dazu, dass das minimax-Risiko $R(\mathcal{P}, \mathcal{Q}) < 1$ ist.

Herausforderung:
Der klassische Satz von Le Cam (und Kraft, 1955) liefert eine notwendige und hinreichende Bedingung für die Existenz solcher Tests, setzt jedoch voraus, dass $\mathcal{P}$ und $\mathcal{Q}$ ein gemeinsames dominierendes Maß besitzen. In vielen nichtparametrischen Problemen (z. B. bei Verteilungen mit spezifischen Momenten oder in TV-Bällen) ist diese Annahme verletzt.
In solchen Fällen versagt die klassische Charakterisierung mittels des Totalvariationsabstands (TV-Distanz) zwischen den konvexen Hüllen $\text{co}(\mathcal{P})$ und $\text{co}(\mathcal{Q})$. Beispiele zeigen, dass weder die TV-Abschlüsse noch die schwachen Abschlüsse (weak closure) der konvexen Hüllen die korrekte Bedingung liefern.

2. Methodik und mathematischer Rahmen

Die Autoren lösen das Problem, indem sie den Rahmen der stetig additiven Wahrscheinlichkeitsmaße erweitern, um den Raum der beschränkten endlich additiven Maße ($ba$) zu nutzen.

• Raum $ba$: Dies ist der Dualraum des Raums $L$ der beschränkten messbaren Funktionen. Elemente in $ba$ sind endlich additive Maße. Der Raum $ba_1$ (Einheitskugel) ist bezüglich der schwach-*-Topologie ($\sigma(ba, L)$) kompakt (Banach-Alaoglu-Theorem).
• Schwache-*-Abschlüsse: Die Autoren betrachten die schwach-*-Abschlüsse der konvexen Hüllen von $\mathcal{P}$ und $\mathcal{Q}$, bezeichnet als $\text{co}^*(\mathcal{P})$ und $\text{co}^*(\mathcal{Q})$. Diese sind die größten Erweiterungen, die das Risiko eines jeden Tests erhalten.
• Minimax-Theorem: Der Beweis stützt sich auf den Minimax-Satz von Fan (1953). Die Kompaktheit von $\text{co}^*(\mathcal{P})$ und $\text{co}^*(\mathcal{Q})$ in der schwach-*-Topologie ist entscheidend, um die Existenz von Minimax-Lösungen und die Gleichheit von Infimum und Supremum zu garantieren.
• TV-Distanz in $ba$: Die TV-Distanz wird auf den Raum der endlich additiven Maße erweitert. Für $\mu, \nu \in ba_1$ gilt:
  $$d_{TV}(\mu, \nu) = \sup_{\phi \in \Phi} (\mathbb{E}_\mu[\phi] - \mathbb{E}_\nu[\phi])$$

3. Hauptergebnisse

Hauptsatz (Theorem 1.5)

Für beliebige nichtleere Teilmengen $\mathcal{P}, \mathcal{Q} \subset \mathcal{M}_1$ und $\epsilon \ge 0$ gilt die Äquivalenz:
$$\exists \text{ Test } \phi: \inf_{\nu \in \mathcal{Q}} \mathbb{E}_\nu[\phi] > \sup_{\mu \in \mathcal{P}} \mathbb{E}_\mu[\phi] + \epsilon \iff d_{TV}(\text{co}^*(\mathcal{P}), \text{co}^*(\mathcal{Q})) > \epsilon$$
Insbesondere gilt für das minimax-Risiko:
$$R(\mathcal{P}, \mathcal{Q}) = 1 - d_{TV}(\text{co}^*(\mathcal{P}), \text{co}^*(\mathcal{Q}))$$
wobei das Infimum der TV-Distanz tatsächlich von einem Paar $(\mu^*, \nu^*) \in \text{co}^*(\mathcal{P}) \times \text{co}^*(\mathcal{Q})$ angenommen wird.

Kernpunkt: Die Bedingung für Testierbarkeit erfordert die Betrachtung der schwach-*-Abschlüsse im Raum der endlich additiven Maße, nicht nur der konvexen Hüllen im Raum der stetig additiven Maße.

Erweiterung auf metrische Räume (Theorem 1.7)

Wenn $\Omega$ ein metrischer Raum ist und $\mathcal{P}, \mathcal{Q}$ konvex und schwach-kompakt (im üblichen Sinne) sind, dann gilt:
$$R(\mathcal{P}, \mathcal{Q}) = 1 - d_{TV}(\mathcal{P}, \mathcal{Q})$$
In diesem speziellen Fall reicht der übliche schwache Abschluss aus, und ein minimax-optimaler Test existiert sogar innerhalb der Klasse der stetigen Tests.

Beziehung zu Le Cam (Theorem 1.11 vs. Theorem 1.5)

Das Papier klärt eine Unschärfe in Le Cams Werk (2012). Le Cam schlug vor, den Testraum zu erweitern (verallgemeinerte Tests als Elemente des Dualraums), um die TV-Distanz der ursprünglichen Mengen zu nutzen. Die Autoren zeigen jedoch, dass dies statistisch schwer interpretierbar ist, da solche Tests nicht unbedingt durch messbare Funktionen darstellbar sind. Theorem 1.5 behält den klassischen Testraum bei und erweitert stattdessen die Hypothesenmengen in $ba$, was eine vollständigere und praktischere Charakterisierung liefert.

Beziehung zu e-Variablen (Korollar 3.7)

Die Ergebnisse werden auf die Existenz von e-Variablen (e-variables) übertragen. Ein beschränktes e-Variable für $\mathcal{P}$, das gegen $\mathcal{Q}$ uniform "powered" ist, existiert genau dann, wenn $d_{TV}(\text{co}^*(\mathcal{P}), \text{co}^*(\mathcal{Q})) > 0$. Dies verbindet die Testtheorie mit der modernen Theorie der e-Werte (e-values) für sequentielle Tests.

4. Wichtige Beispiele und Gegenbeispiele

• Beispiel 1.3 (Fehlschlag der TV-Distanz ohne Dominanz): Für $\mathcal{P} = \{\delta_x : x \in [0,1]\}$ und $\mathcal{Q} = \{\text{Uni}[0,1]\}$ ist die TV-Distanz zwischen den konvexen Hüllen 1, aber kein nichttrivialer Test existiert ($R=1$). Der Grund: Die schwach-*-Abschlüsse schneiden sich in $ba$.
• Beispiel 1.4 (Fehlschlag des schwachen Abschlusses): Für getrennte Intervalle $\mathcal{P}=\{\delta_x : x < 0.5\}$ und $\mathcal{Q}=\{\delta_y : y > 0.5\}$ existiert ein perfekter Test, obwohl die schwachen Abschlüsse sich im Punkt $\delta_{0.5}$ schneiden. Der schwache Abschluss ist also "zu groß".
• Beispiel 3.5 (Notwendigkeit von endlich additiven Maßen): Es wird ein Szenario konstruiert, in dem der Abstand zwischen den stetig additiven Teilen der Abschlüsse 1 ist, der Abstand in $ba$ jedoch nur $1/2$. Dies beweist, dass endlich additive Maße (insbesondere solche, die "im Unendlichen" oder an Singularitäten konzentriert sind) unverzichtbar für die korrekte Charakterisierung sind.

5. Bedeutung und Fazit

Dieses Papier schließt eine Lücke in der statistischen Theorie, die seit Le Cam und Kraft offen war.

1. Vollständigkeit: Es liefert eine notwendige und hinreichende Bedingung für die Testierbarkeit ohne die Einschränkung eines gemeinsamen dominierenden Maßes.
2. Mathematische Präzision: Es zeigt, dass endlich additive Maße kein bloßes mathematisches Konstrukt sind, sondern eine unvermeidbare Konsequenz der Frage nach der Testierbarkeit in allgemeinen nichtparametrischen Settings. Sie treten als natürliche Grenzwerte in der schwach-*-Topologie auf.
3. Praktische Relevanz: Die Ergebnisse gelten für eine breite Klasse von Problemen, einschließlich solcher mit TV-Bällen, Wasserstein-Bällen oder Verteilungen mit Momentenbeschränkungen, wo klassische Methoden versagen.
4. Korrektur von Missverständnissen: Es klärt die Rolle von Le Cams verallgemeinerten Tests und zeigt, dass die Erweiterung des Hypothesenraums (in $ba$) der richtige Weg ist, um bei klassischen Tests zu bleiben.

Zusammenfassend etabliert die Arbeit, dass die schwach-*-Konvexhülle im Raum der endlich additiven Maße der korrekte geometrische Ort ist, um die Testierbarkeit und das minimax-Risiko in der allgemeinen Hypothesentesttheorie zu charakterisieren.