Logarithmic energy distances and Gini covariance for Hilbert-valued random elements

Technische Zusammenfassung: Logarithmische Energieabstände und Gini-Kovarianz für Hilbert-wertige Zufallselemente

Problemstellung
Die vorliegende Arbeit untersucht das Grenzregime verallgemeinerter Energieabstände und Gini-Kovarianz-Statistiken für Zufallselemente, die Werte in einem reell-separablen Hilbertraum $H$ annehmen. Diese Statistiken sind traditionell über Potenzabstands-Kernel der Form $(x, y) \mapsto \|x - y\|^\alpha$ für $\alpha \in (0, 2)$ definiert. Während diese Methoden für die nichtparametrische Inferenz und Goodness-of-Fit-Tests bereits gut etabliert sind, war das Verhalten dieser Statistiken, wenn der Parameter gegen die untere Grenze $\alpha \downarrow 0$ strebt, in unendlich-dimensionalen Settings noch nicht vollständig charakterisiert worden. Die Autoren zielen darauf ab, das Grenzobjekt dieser Familie von Kerneln zu bestimmen und deren statistische Eigenschaften, insbesondere für das Zwei-Stichproben- und das $k$-Stichproben-Problem, zu untersuchen.

Methodik
Der Kern des methodischen Ansatzes beruht auf der elementaren Expansion der Potenzfunktion nahe Null: $\|x - y\|^\alpha = 1 + \alpha \log \|x - y\| + o(\alpha)$ für $\alpha \downarrow 0$. Durch Anwendung dieser Expansion auf die Definition des verallgemeinerten Energieabstands $E_\alpha(X, Y)$ zeigen die Autoren, dass nach dem Eliminieren konstanter Terme und geeigneter Normalisierung (Division durch $\alpha$) der Abstand gegen einen logarithmischen Energieabstand konvergiert:
$$E_0(X, Y) = 2\mathbb{E}[\log \|X - Y\|] - \mathbb{E}[\log \|X - X'\|] - \mathbb{E}[\log \|Y - Y'\|],$$
wobei $X'$ und $Y'$ unabhängige Kopien von $X$ bzw. $Y$ sind.

Die Autoren erweitern dieses Konzept auf das $k$-Stichproben-Problem, indem sie eine logarithmische Gini-Kovarianz $c_{\log}$ definieren, die als gewichtete Summe paarweiser logarithmischer Energieabstände fungiert. Die theoretische Entwicklung erfolgt in mehreren Schritten:

1. Charakterisierung: Die Arbeit stellt fest, dass $E_0(X, Y) = 0$ gilt genau dann, wenn die Verteilungen von $X$ und $Y$ identisch sind. Der Beweis nutzt die Frullani-Formel, um den logarithmischen Abstand als ein Integral über die quadrierten Maximum Mean Discrepancies (MMD) darzustellen, die mit Gaußschen Kerneln $k_z(x, y) = \exp(-z\|x - y\|^2)$ assoziiert sind. Diese Darstellung nutzt den Satz von Schoenberg und die Tatsache aus, dass Wahrscheinlichkeitsmaße auf einem separablen Hilbertraum durch ihre endlich-dimensionalen Randverteilungen bestimmt werden.
2. Strukturelle Eigenschaften: Es wird gezeigt, dass die logarithmische Gini-Kovarianz invariant gegenüber gemeinsamen Translationen und Skalenänderungen ist – eine Eigenschaft, die sie von der Standard-Potenz-Kernel-Gini-Kovarianz unterscheidet (welche mit $b^\alpha$ skaliert).
3. Asymptotische Theorie:
   • Unter der Nullhypothese ($H_0$): Für ein festes $k$ ist die empirische logarithmische Gini-Kovarianz asymptotisch degeneriert. Ihre Grenzverteilung wird als unendliche gewichtete Summe zentrierter Chi-Quadrat-Zufallsvariablen hergeleitet, wobei die Gewichte die Eigenwerte eines Integraloperators sind, der mit dem Kernel $K_0(x, y)$ assoziiert ist.
   • Unter Alternativen: Wenn die Verteilungen differieren, ist die Statistik nicht-degeneriert. Die Autoren beweisen die asymptotische Normalität des empirischen Statistikums unter festen Alternativen und etablieren damit Konsistenz.
4. Implementierung: Da die Nullverteilung von unbekannten Eigenwerten abhängt, schlagen die Autoren ein Permutationsverfahren zur Kalibrierung der Teststatistik vor.

Wesentliche Beiträge
Das Paper leistet drei primäre Beiträge:

1. Einführung logarithmischer Analoga: Es führt formal logarithmische Energieabstände und die logarithmische Gini-Kovarianz als die natürlichen Grenzobjekte der Potenzabstands-Familie ein, wenn $\alpha \downarrow 0$.
2. Charakterisierung in Hilbert-Räumen: Es beweist, dass der logarithmische Energieabstand die fundamentale Charakterisierungseigenschaft ($E_0 = 0 \iff P=Q$) in separablen Hilbert-Räumen beibehält und dies mit Gaußschen-Kernel-MMDs verknüpft. Dies erweitert die Anwendbarkeit von Energie-Statistiken auf funktionale Daten, ohne dass die Methodik modifiziert werden muss.
3. Asymptotischer und praktischer Rahmen: Es leitet die asymptotische Null- und Alternativtheorie für die empirische logarithmische Gini-Kovarianz im Fixed-$k$-Framework her und bietet eine praktische, auf Permutationen basierende Implementierungsstrategie.

Ergebnisse
Die Autoren präsentieren numerische Ergebnisse aus einer Simulationsstudie und Anwendungen auf Realdaten:

• Simulation: Die Studie vergleicht die vorgeschlagenen logarithmischen Tests ($E_0$ und eine Variante $E_{\log}$) mit dem Standard-Energieabstands-Test ($E_1$) und einem weiteren Wettbewerber. Die Ergebnisse deuten darauf hin, dass alle Tests zwar das nominelle Signifikanzniveau beibehalten, die logarithmischen Verfahren jedoch eine wesentlich höhere Power gegen Skalen- und Form-Alternativen aufweisen, insbesondere bei Alternativen, die die Kovarianzstruktur, Abweichungen von der Normalität oder Unterschiede in der relativen Dispersion betreffen. Die Gewinne sind in höheren Dimensionen und bei funktionalen Daten besonders ausgeprägt.
• Anwendungen auf Realdaten:
  • Iris- und Wein-Datensätze: Die Tests lehnen die Nullhypothese gleicher Verteilungen für die Fisher Iris- und Wine-Datensätze erfolgreich ab, was mit den bekannten Unterschieden in diesen multivariaten Stichproben übereinstimmt.
  • Berkeley Growth Data: Angewandt auf funktionale Daten (Wachstumskurven von Jungen und Mädchen), detektieren die logarithmischen Tests Verteilungsunterschiede in spezifischen Altersintervallen ([1, 4), [13, 18) und [1, 18]), in denen auch die Mittelwertfunktionen differieren, während sie korrekt die Gleichheit im Intervall [4, 13] feststellen, in dem die Mittelwertfunktionen ähnlich sind.

Bedeutung und Behauptungen
Das Paper behauptet, dass das logarithmische Framework ein „neues Grenzphänomen“ innerhalb der Familie der Energie-Typ-Statistiken offenbart. Seine Bedeutung liegt in:

• Funktionale Datenanalyse: Die Hilbert-Raum-Formulierung ermöglicht die direkte Behandlung funktionaler Daten, wodurch Dimensionsreduktion oder spezifische Modifikationen der Methodik vermieden werden.
• Sensitivität gegenüber geometrischer Struktur: Im Gegensatz zu gewöhnlichen Energie-Kerneln, die globale Separation betonen, wird der logarithmische Kernel als sensitiver gegenüber relativer geometrischer Struktur und lokalen Interaktionen beschrieben. Dies bietet ein komplementäres Werkzeug zu bestehenden Energie-Statistiken, insbesondere zur Detektion von Nicht-Lokations-Alternativen.
• Verbindung zu Kernel-Methoden: Die Herleitung stellt eine theoretische Verbindung zwischen logarithmischen Energieabständen und Gaußschen-Kernel-Maximum Mean Discrepancies her und schlägt so eine Brücke zwischen verschiedenen Bereichen der nichtparametrischen Inferenz.

Die Autoren schließen bescheiden mit dem Hinweis, dass diese Arbeit mehrere Wege für die zukünftige Forschung eröffnet, einschließlich Erweiterungen auf allgemeine Banach-Räume, hochdimensionale asymptotische Regime ($d_N \gg N$) und adaptive Verfahren, die mehrere Werte von $\alpha$ kombinieren.