Omnibus goodness-of-fit tests for univariate continuous distributions based on trigonometric moments

Este artículo propone un nuevo test omnibus de bondad de ajuste para distribuciones continuas univariadas basado en momentos trigonométricos que, al aprovechar la estructura de covarianza de los estadísticos, garantiza una distribución asintótica $\chi_2^2$ bajo la hipótesis nula incluso con parámetros de molestia, ofreciendo un procedimiento preciso y de fácil implementación para 11 familias de distribuciones.

Lo esencial

¡Claro que sí! Imagina que eres un chef experto y tienes una receta secreta (una distribución estadística) que crees que explica perfectamente el sabor de tus platos (tus datos). Pero, ¿cómo sabes si tu receta es realmente la correcta o si simplemente estás adivinando?

Aquí es donde entran en juego los tests de bondad de ajuste. Son como los críticos de comida que prueban tu plato para ver si coincide con lo que prometiste.

Este artículo presenta una nueva herramienta, llamada Test $T_n$, que es como un "super-critic" diseñado para detectar cualquier error en tu receta, no solo los errores obvios.

Aquí te explico cómo funciona, usando analogías sencillas:

1. El Problema: "La Prueba del Uniforme"

Primero, el paper explica que para probar si tus datos siguen una distribución (como la Normal o la Exponencial), primero los transformamos. Imagina que tienes una bolsa de canicas de diferentes colores y formas. Lo que hacemos es convertir todas esas canicas en números entre 0 y 1 (como si las transformáramos en un uniforme perfecto).

Si tu receta es correcta, estos números transformados deberían verse como si los hubieras sacado de una bolsa perfectamente llena de agua: uniformes, sin aglomeraciones ni huecos.

2. La Vieja Herramienta: El Test LK (Langholz y Kronmal)

Antes de este artículo, existía un test famoso llamado LK. Imagina que el test LK es como un policía que solo mira dos cosas de tu uniforme transformado:

1. ¿Está tu uniforme bien centrado? (¿Hay demasiada gente en los extremos o en el medio?).
2. ¿Está tu uniforme torcido? (¿Hay más gente a la izquierda que a la derecha?).

El policía LK toma estas dos medidas, las suma y las compara con una regla estándar. Si se sale de la regla, te multa (rechaza la hipótesis). Funciona bien, pero es un poco "tonto": solo mira la suma total, sin prestar atención a si las dos medidas están relacionadas entre sí.

3. La Nueva Herramienta: El Test $T_n$ (Desgagné y Ouimet)

Los autores de este paper dicen: "¡Espera! Si miramos las dos medidas juntas, vemos que a veces se mueven como un equipo. Si una sube, la otra baja, o viceversa. El policía LK no ve esa conexión".

El nuevo test $T_n$ es como un policía con gafas de visión avanzada (o un radar).

• No solo mira las dos medidas por separado.
• Mira cómo se relacionan entre sí (la "covarianza").
• Imagina que LK mide la distancia desde el centro en línea recta. $T_n$ mide la distancia considerando que el terreno es elíptico (como una pelota de rugby). Si te alejas en la dirección "correcta" (donde la relación entre las medidas es fuerte), el test $T_n$ te detecta mucho más rápido que el policía LK.

La analogía del mapa:

• LK te dice: "Estás a 10 metros del centro".
• $T_n$ te dice: "Estás a 10 metros del centro, pero como te moviste en la dirección donde el terreno es más resbaladizo, en realidad estás tan lejos como si hubieras caminado 15 metros en terreno normal".
• Resultado: El test $T_n$ es más potente. Detecta errores sutiles que el test LK podría pasar por alto.

4. El Gran Logro: "Plug-and-Play" (Enchufar y Usar)

Lo más genial de este paper es que antes, usar estos tests era como intentar armar un mueble de IKEA sin instrucciones: tenías que hacer cálculos matemáticos muy difíciles para cada tipo de distribución (Normal, Exponencial, Laplace, etc.) para saber cómo ajustar la regla.

Los autores han creado un manual de instrucciones universal.

• Han calculado las "fórmulas mágicas" para 11 familias de distribuciones (que cubren casi todo lo que se usa en la vida real: desde tiempos de espera hasta alturas de personas).
• Ahora, si tienes datos, solo eliges tu distribución, metes los datos en el software y el test te dice: "Sí, tu receta es buena" o "No, hay un error".
• Además, no necesitas hacer simulaciones lentas por computadora. El test usa una distribución matemática conocida (la Chi-cuadrado) para dar la respuesta instantáneamente, incluso con muestras pequeñas.

5. ¿Por qué importa esto? (El ejemplo del clima)

Para demostrar que funciona, probaron sus tests con datos reales: errores en las predicciones del clima.
Imagina que un modelo de computadora predice la temperatura. Si el modelo es perfecto, los errores (la diferencia entre lo predicho y lo real) deberían seguir una distribución específica.

• Usaron el test $T_n$ y descubrieron que el modelo de clima no era perfecto: tenía "colas más pesadas" (errores extremos más frecuentes de lo esperado) y un poco de sesgo.
• El test antiguo (LK) casi no lo detectó, pero el nuevo test $T_n$ lo vio claramente.

En Resumen

Este artículo nos da un nuevo detector de mentiras estadístico que es:

1. Más inteligente: Entiende cómo se relacionan los datos entre sí, no solo los suma.
2. Más sensible: Detecta problemas pequeños que otros ignoran.
3. Más fácil de usar: Tiene las instrucciones listas para las distribuciones más comunes, sin necesidad de ser un matemático experto para calcular las reglas de ajuste.

Es como pasar de tener una regla de madera simple a tener un láser de medición que se adapta automáticamente a la forma de lo que estás midiendo.

Resumen técnico

A continuación presento un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Título: Pruebas omnibus de bondad de ajuste para distribuciones continuas univariadas basadas en momentos trigonométricos

Autores: Alain Desgagné y Frédéric Ouimet.

---

1. El Problema

Las pruebas de bondad de ajuste paramétricas son herramientas estadísticas esenciales para determinar qué tan bien una familia de distribuciones describe un conjunto de datos. Sin embargo, existen desafíos significativos en el diseño de pruebas "omnibus" (que detectan cualquier tipo de desviación de la hipótesis nula) cuando se enfrentan a parámetros de molestia (parámetros desconocidos que deben ser estimados, como la media y la varianza).

• Limitaciones de las pruebas existentes: Las pruebas clásicas basadas en la función de distribución empírica (EDF), como Kolmogorov-Smirnov o Anderson-Darling, a menudo requieren correcciones específicas para cada distribución o métodos de remuestreo (simulaciones Monte Carlo) para calibrar los valores críticos cuando hay parámetros estimados, lo que las hace computacionalmente costosas y menos prácticas.
• Limitaciones de la prueba LK: La prueba de Langholz y Kronmal (LK, 1991), basada en momentos trigonométricos, es simple y no requiere parámetros de ajuste, pero tiene dos deficiencias principales:
  1. No explota completamente la estructura de covarianza de los estadísticos, utilizando solo la traza de la matriz de covarianza para la normalización.
  2. Su implementación detallada estaba limitada a un pequeño número de distribuciones (normal, exponencial, Weibull, Laplace y uniforme), y la determinación del escalar normalizador $V(\theta)$ requería un esfuerzo analítico sustancial para cada nuevo caso.
  3. La afirmación original de que la estadística LK converge exactamente a una distribución $\chi^2_2$ bajo la hipótesis nula no es estrictamente cierta, aunque es una buena aproximación.

2. Metodología

Los autores proponen una nueva prueba omnibus, denotada como $T_n$, que mejora la prueba LK existente.

• Fundamento Teórico: La metodología se basa en los momentos trigonométricos de los datos transformados mediante la integral de probabilidad (PIT). Se definen dos estadísticos tipo U:
  $$C_n(\theta) = \frac{1}{n}\sum_{i=1}^n \cos(2\pi F(X_i|\theta))$$
  $$S_n(\theta) = \frac{1}{n}\sum_{i=1}^n \sin(2\pi F(X_i|\theta))$$
  Donde $F$ es la función de distribución acumulada (CDF) bajo la hipótesis nula y $\theta$ son los parámetros estimados (generalmente por máxima verosimilitud).

• Nueva Estadística de Prueba ($T_n$):
  A diferencia de la prueba LK que normaliza la suma de cuadrados $C_n^2 + S_n^2$ usando un escalar basado en la traza, la nueva prueba $T_n$ utiliza una forma cuadrática que incorpora la matriz de covarianza asintótica completa $\Sigma(\theta)$:
  $$T_n(\hat{\theta}_n) = n [C_n(\hat{\theta}_n), S_n(\hat{\theta}_n)] \Sigma(\hat{\theta}_n)^{-1} [C_n(\hat{\theta}_n), S_n(\hat{\theta}_n)]^\top$$
  Bajo la hipótesis nula ($H_0$), el vector $\sqrt{n}[C_n, S_n]^\top$ converge a una distribución normal bivariada con matriz de covarianza $\Sigma(\theta)$. Por lo tanto, $T_n$ converge asintóticamente a una distribución $\chi^2_2$, incluso en presencia de parámetros de molestia estimados.

• Cálculo de la Covarianza: Los autores derivan la matriz exacta $\Sigma(\theta)$ utilizando el marco teórico de Moore (1977) y Randles (1982), extendido recientemente por Desgagné et al. (2025). Esto permite calcular la normalización correcta para cualquier distribución continua.

• Mejora de la prueba LK: También proponen un método unificado y directo para calcular el escalar normalizador $V(\theta)$ de la prueba LK original como la traza de la matriz de covarianza: $V(\theta) = \text{tr}(\Sigma(\theta))$.

3. Contribuciones Clave

1. Derivación de la Matriz de Covarianza Exacta: Se proporciona la matriz $\Sigma(\theta)$ necesaria para la normalización correcta de los estadísticos para cualquier distribución nula, permitiendo una convergencia exacta a $\chi^2_2$.
2. Nueva Prueba $T_n$: Se introduce un estadístico que explota la estructura de correlación entre los componentes de coseno y seno, lo que teóricamente debería ofrecer mayor potencia que la prueba LK.
3. Expansión de la Aplicabilidad: Se extiende la implementación de las pruebas $T_n$ y LK a 11 familias de distribuciones paramétricas (incluyendo EPD, Gamma Generalizada, Logística, t de Student, Gompertz, Lomax, Inversa-Gaussiana, Beta, Kumaraswamy, etc.). Esto cubre 53 configuraciones distintas de pruebas (combinaciones de parámetros conocidos y desconocidos), abarcando la mayoría de los modelos paramétricos comunes.
4. Implementación "Plug-and-Play": Se demuestra que los valores críticos y los valores p pueden calcularse directamente utilizando cuantiles de la distribución $\chi^2_2$, sin necesidad de simulaciones Monte Carlo o tablas pre-calculadas, incluso para tamaños de muestra pequeños (ej. $n=30$).
5. Análisis de Potencia Asintótica: Se estudia el comportamiento de las pruebas bajo alternativas locales, comparándolas con la prueba de puntuación de Rao y la prueba de razón de verosimilitud generalizada (GLRT).

4. Resultados

• Tamaño Empírico (Empirical Size): Las simulaciones muestran que la aproximación $\chi^2_2$ es extremadamente precisa para ambas pruebas ($T_n$ y LK), incluso con muestras pequeñas ($n=30$ y $n=100$). Las tasas de rechazo bajo $H_0$ coinciden casi perfectamente con los niveles nominales (1%, 5%, 10%).
• Potencia Empírica:
  • En estudios de simulación comparando la normalidad, la distribución t de Student y la exponencial frente a diversas alternativas, la prueba $T_n$ demostró consistentemente una mayor potencia que la prueba LK y otros competidores clásicos basados en EDF (como Anderson-Darling, Cramér-von Mises, Watson).
  • El ganancia promedio de potencia de $T_n$ sobre LK fue del 3.0% en los escenarios generales.
  • En un estudio exhaustivo revisado para la distribución Laplace (comparando 41 pruebas), la prueba $T_n$ (basada en momentos) resultó ser la más potente en promedio, superando a la prueba LK y a 40 procedimientos competidores.
• Aplicación Real: Se aplicó el método a errores de pronóstico de temperatura superficial de un modelo de predicción meteorológica. La prueba identificó correctamente que la distribución normal no era adecuada debido a colas más pesadas y una ligera asimetría, mientras que distribuciones como la EPD (Exponential Power Distribution) y la t de Student proporcionaron un ajuste aceptable.

5. Significado e Impacto

Este trabajo representa un avance significativo en la estadística de pruebas de bondad de ajuste:

• Unificación y Prácticidad: Proporciona un marco unificado que elimina la necesidad de simulaciones computacionalmente intensivas para calibrar pruebas de bondad de ajuste en presencia de parámetros estimados. La capacidad de usar cuantiles $\chi^2$ directos hace que estas pruebas sean "plug-and-play" para cualquier usuario.
• Mejora de Potencia: Al utilizar la estructura de covarianza completa, la prueba $T_n$ extrae más información de los datos que la prueba LK, resultando en una mayor capacidad para detectar desviaciones del modelo.
• Versatilidad: La cobertura de 11 familias de distribuciones y sus variantes (incluyendo transformaciones logarítmicas, inversas y casos límite) hace que este enfoque sea aplicable a una vasta gama de problemas en economía, biología, medicina e ingeniería.
• Rigor Teórico: Corrige y refina la teoría subyacente de la prueba LK, estableciendo las condiciones exactas para la convergencia asintótica y proporcionando las matrices necesarias para su implementación correcta en software estadístico.

En resumen, los autores han desarrollado una herramienta estadística robusta, teóricamente sólida y computacionalmente eficiente que supera a los métodos existentes en términos de potencia y facilidad de implementación para una amplia gama de distribuciones continuas.