Resumen Técnico: Pruebas de Proyección de Wasserstein: Asintótica de Orden Superior y Conexiones con el Likelihood Empírico

1. Formulación del Problema

El artículo aborda la construcción y el análisis de pruebas de hipótesis para restricciones de momentos. Dada una distribución empírica $Q_n$ derivada de observaciones i.i.d. $X_1, \dots, X_n$ y un modelo nulo $\mathcal{P}_0 = \{P : E_P[h(X)] = 0\}$ definido por una función de momento $h: \mathbb{R}^{d_X} \to \mathbb{R}^{d_h}$, el objetivo es probar $H_0: P_\star \in \mathcal{P}_0$ frente a $H_1: P_\star \notin \mathcal{P}_0$.

Los autores se centran en la prueba de Proyección de Wasserstein (WP). A diferencia del Likelihood Empírico (EL), que proyecta la ley empírica sobre $\mathcal{P}_0$ mediante el reponderado de los átomos observados, la WP realiza esta proyección mediante el transporte de masa dentro del espacio muestral. El estadístico de la prueba se define como el costo de transporte mínimo requerido para alinear la distribución empírica con la restricción de momento nula:
$$R_n(h) = \inf_{P \in \mathcal{P}_0} W_c(Q_n, P)$$
donde $W_c$ es el costo de transporte óptimo con un costo de base de Mahalanobis al cuadrado $c(\bar{x}, x) = \|\bar{x} - x\|_\Sigma^2$. La prueba rechaza $H_0$ para valores grandes del estadístico reescalado $n R_n(h)$.

Si bien la teoría existente establece que $n R_n(h)$ converge a una forma cuadrática bajo la hipótesis nula (proporcionando una prueba asintóticamente válida de primer orden), este límite de primer orden no logra:

1. Cuantificar la distorsión del tamaño en muestras finitas (error de cobertura).
2. Distinguir la potencia de la WP de sus competidores (EL y Hotelling's $T^2$) cuando comparten la misma función de potencia local límite (específicamente en el caso de momento escalar, $d_h=1$).

2. Metodología

El artículo desarrolla un análisis asintótico de orden superior para abordar estas brechas. La metodología se basa en la derivación de expansiones estocásticas del estadístico de la WP tanto bajo la hipótesis nula como bajo alternativas locales de tipo Pitman.

Pasos Técnicos Clave:

• Representación Dual: Los autores utilizan una representación dual reescalada exacta de la distancia de proyección. El estadístico se expresa como un supremo sobre una variable dual $\zeta$:
  $$n R_n(h) = \sup_{\zeta \in \mathbb{R}^{d_h}} \left\{ -\zeta^\top H_n - M_n(\zeta) \right\}$$
  donde $H_n$ es el momento empírico escalado y $M_n(\zeta)$ es una función convexa que involucra el costo de base y la función de momento.
• Expansión Estocástica: Mediante la expansión de $M_n(\zeta)$ alrededor del origen utilizando series de Taylor y el control de los términos de resto mediante límites de alta probabilidad sobre cantidades empíricas (Jacobianos, Hessianos y envolventes de momentos), los autores derivan una expansión del estadístico en potencias de $n^{-1/2}$.
• Teoría de Edgeworth: La expansión se traduce en expansiones de Edgeworth para la distribución del estadístico. Esto permite cuantificar los errores de tamaño (desviación de los niveles de confianza nominales) y las correcciones de potencia local.
• Correcciones de tipo Bartlett: Al extender la expansión al orden de $n^{-1}$, los autores identifican el error de calibración principal y construyen correcciones de tipo Bartlett para mejorar la precisión de la cobertura.
• Computación Certificada: Reconociendo que la proyección a menudo carece de una forma cerrada, el artículo desarrolla un "algoritmo dual localizado certificado". Este algoritmo reformula la decisión de la prueba como un problema de optimización robusta en la distribución (DRO), localiza las variables duales en una caja compacta donde se cumple la convexidad/concavidad fuerte, y proporciona límites rigurosos sobre el error numérico para asegurar que la decisión de la prueba sea estadísticamente válida.

3. Contribuciones Clave y Resultados

A. Expansiones Asintóticas de Orden Superior

El artículo deriva una expansión estocástica para $n R_n(h)$ bajo la hipótesis nula y alternativas locales:
$$n R_n(h) = \langle V_n, \xi_n^{\otimes 2} \rangle + \frac{1}{\sqrt{n}} \langle K_n, \xi_n^{\otimes 3} \rangle + \varepsilon_n$$
donde $V_n$ y $K_n$ son tensores empíricos derivados del Jacobiano y el Hessiano de $h$, y $\xi_n$ es una dirección empírica escalada. El término de resto $\varepsilon_n$ está acotado uniformemente con alta probabilidad.

B. Implicaciones de Tamaño y Potencia

• Precisión del Tamaño: La teoría de Edgeworth resultante muestra que la prueba WP de inserción directa (plug-in) tiene un error de tamaño de orden $\tilde{O}(n^{-1})$. Esto representa una mejora significativa respecto al error de $O(n^{-1/2})$ típico de las aproximaciones de primer orden.
• Potencia Local: Bajo alternativas locales, el artículo identifica una corrección explícita de orden $n^{-1/2}$ a la potencia local.
• Comparación con EL y $T^2$: Para momentos escalares ($d_h=1$) bajo desplazamientos de localización locales, la WP, EL y $T^2$ comparten la misma potencia local de primer orden. Sin embargo, su clasificación de segundo orden difiere:
  • WP: La corrección de potencia está gobernada por un coeficiente de curvatura basada en derivadas (que involucra el Hessiano de $h$).
  • EL: La corrección de potencia está gobernada por un coeficiente de asimetría basada en valores (que involucra el tercer momento de $h$).
  • $T^2$: Tiene una corrección de segundo orden de cero en este régimen de comparación específico.
    El artículo demuestra que la WP puede superar a EL y $T^2$ cuando la función de momento exhibe una curvatura de derivada favorable en relación con su asimetría de valor.

C. Correcciones de tipo Bartlett

Los autores extienden la expansión al orden $n^{-1}$ para construir dos correcciones de tipo Bartlett para restricciones de momento escalar. Estas correcciones eliminan el error de calibración principal de orden $O(n^{-1})$, mejorando la precisión de la cobertura de las regiones de confianza a $\tilde{O}(n^{-3/2})$.

D. Computación Certificada

El artículo propone el Algoritmo 1, un esquema de optimización anidado que:

1. Localiza el espacio de búsqueda dual en una caja compacta donde los problemas internos son fuertemente convexos.
2. Utiliza trisección y ascenso de gradiente proyectado para resolver el problema.
3. Proporciona una decisión certificada: el algoritmo controla el error numérico de tal manera que la probabilidad de un "falso rechazo" o "falsa aceptación" debido a la imprecisión computacional es negligible.
4. Logra una complejidad computacional total de $\tilde{O}(n)$ con alta probabilidad, igualando las garantías estadísticas de la prueba órica hasta $\tilde{O}(n^{-1})$.

4. Significado y Reivindicaciones

El artículo sostiene que su análisis de orden superior es esencial para comprender cuándo la naturaleza geométrica del transporte óptimo (específicamente la métrica de base y la variación local de la función de momento) proporciona ventajas en muestras finitas sobre los métodos basados en reponderado como el Likelihood Empírico.

• Perspectiva Teórica: El trabajo aclara que la "geometría de transporte" de la WP no es solo una herramienta computacional, sino una característica estadística que influye en la potencia a través de la curvatura basada en derivadas. Esto distingue a la WP de la EL, que depende de momentos basados en valores.
• Utilidad Práctica: Las correcciones de Bartlett derivadas y el algoritmo certificado permiten una inferencia de muestra finita más precisa y pruebas fiables en entornos donde no existen soluciones de forma cerrada (por ejemplo, restricciones de equidad no lineales).
• Contexto de Aplicación: Los autores ilustran estos hallazgos utilizando un experimento de pruebas de equidad (fairness testing). En este entorno, las restricciones de momento codifican la igualdad de oportunidades o de probabilidades. El experimento confirma la predicción teórica de que la WP con una métrica de transporte anisotrópica puede lograr una mayor potencia que EL o $T^2$ en regímenes donde la curvatura de la derivada de la restricción de equidad es favorable.

El artículo concluye que, si bien la WP, EL y $T^2$ son asintóticamente equivalentes en primer orden, el análisis de orden superior revela comportamientos distintos en muestras finitas impulsados por la interacción entre la geometría de la función de momento y la distribución de los datos. El algoritmo certificado propuesto asegura que estas ganancias teóricas sean accesibles en la práctica sin comprometer la validez estadística.