A New Class of Asymptotically Distribution-Free Smooth Tests

Resumen Técnico: Una Nueva Clase de Pruebas Suaves Asintóticamente Libres de Distribución

Planteamiento del Problema
El artículo aborda el desafío de construir pruebas de bondad de ajuste suaves que sigan siendo asintóticamente libres de distribución, incluso cuando los parámetros del modelo son estimados y los tamaños de muestra son solo moderadamente grandes. Las pruebas suaves tradicionales, como la prueba de puntuación (Neyman, 1937) y las pruebas de selección de orden (Ledwina, 1994), dependen de la ausencia de distribución de estadísticas específicas. Sin embargo, esta propiedad suele requerir tamaños de muestra muy grandes para materializarse en la práctica, particularmente para distribuciones complejas o cuando la estimación de parámetros es computacionalmente intensiva. Además, la elección de las funciones de base en estas pruebas clásicas es a menudo arbitraria, y sus distribuciones límite pueden variar dependiendo del modelo paramétrico específico que se esté probando, lo que requiere simulaciones específicas del modelo (por ejemplo, el bootstrap paramétrico) para determinar los valores críticos.

Metodología
Los autores proponen un marco que cambia la perspectiva de asegurar que estadísticas específicas sean libres de distribución hacia la construcción del propio proceso empírico para que sea, por diseño, asintóticamente libre de distribución. Esto se logra a través de dos componentes metodológicos principales:

1. La Transformada Khmaladze-2 (K2):
   La innovación central es la aplicación de la transformada K2 (Khmaladze, 2016) a la construcción de las funciones de base ortonormales utilizadas en las pruebas suaves.

   • Mecanismo: La transformada utiliza operadores unitarios para mapear las proyecciones dependientes del modelo del proceso empírico hacia una "proyección estándar" definida por una distribución de referencia elegida por el usuario, $F_\gamma$.
   • Construcción: Los autores definen una base ortonormal K2 $\{h_{j\beta}\}$ para el espacio $L^2(G_\beta)$ mediante el mapeo de una base del espacio de referencia $L^2(F_\gamma)$ a través de una secuencia de operadores: un operador de multiplicación $l_{\gamma,\beta}$, un operador de reflexión $K$, y un operador unitario $U_p$.
   • Resultado: Esta construcción asegura que los residuos de las funciones de base, $\{\tilde{h}_{j\beta}\}$, posean la misma estructura de media y covarianza bajo la hipótesis nula $G_\beta$ que los residuos de las funciones de base bajo la distribución de referencia $F_\gamma$. En consecuencia, el proceso empírico indexado por estos residuos, y cualquier funcional de este (incluyendo las estadísticas de selección de orden y de subconjuntos), comparte la misma distribución límite bajo $G_\beta$ que bajo $F_\gamma$. Dado que $F_\gamma$ puede ser simple (por ejemplo, una normal estándar o una uniforme), la distribución límite resulta libre de distribución.

2. Bootstrap Proyectado:
   Para abordar la carga computacional de simular distribuciones nulas, particularmente cuando los parámetros son estimados, los autores utilizan el "bootstrap proyectado" (Algeri, 2022).

   • Mecanismo: En lugar de reestimar el parámetro desconocido $\beta$ en cada réplica del bootstrap (como en el bootstrap paramétrico clásico), este método explota la estructura de proyección inducida por la estimación de parámetros.
   • Eficiencia: Basándose en la Proposición 1 (Khmaladze, 1980), el proceso empírico indexado por los residuos estimados es asintóticamente equivalente al proceso indexado por los residuos reales. Esto permite al usuario estimar el parámetro una sola vez sobre los datos observados y luego simular la distribución nula sin reestimar $\beta$ para cada muestra de bootstrap, reduciendo significativamente el tiempo de computación.

Resultados Clave
El artículo valida la metodología propuesta mediante pruebas teóricas y estudios de simulación:

• Validez Teórica: Las Proposiciones 2 a 5 demuestran formalmente que las funciones de base transformadas por K2 producen procesos empíricos que son asintóticamente libres de distribución, incluso cuando los parámetros son estimados mediante estimadores Z (incluyendo la máxima verosimilitud).
• Estudios de Simulación (Sección 4.2):
  • Los autores simularon datos de una distribución de mezcla compleja y los probaron contra tres modelos nulos paramétricos diferentes ($G_{\beta,1}, G_{\beta,2}, G_{\beta,3}$).
  • Libertad de Distribución: Cuando se utilizaron funciones de base estándar (composiciones de polinomios de Legendre y la CDF nula), las distribuciones nulas de las estadísticas de la prueba variaron significativamente entre los diferentes modelos. En contraste, cuando se utilizaron las funciones de base transformadas por K2, las distribuciones nulas simuladas bajo los tres modelos fueron indistinguibles de la distribución bajo el modelo de referencia $F_\gamma$, incluso con un tamaño de muestra de $n=100$.
  • Potencia: Las pruebas basadas en K2 demostraron una potencia competitiva o superior a las pruebas suaves clásicas en escenarios específicos (por ejemplo, detectando desviaciones en $G_{\beta,2}$ y $G_{\beta,3}$), aunque los autores señalan que las mejoras de potencia no están garantizadas para todas las alternativas.
• Eficiencia Computacional (Sección 3.1): En una simulación con una distribución de Laplace asimétrica, el bootstrap proyectado redujo el tiempo de CPU en aproximadamente un 75% (9 minutos vs. 37 minutos para 100,000 réplicas) en comparación con el bootstrap paramétrico clásico, mientras recuperaba con precisión la verdadera distribución nula.
• Estudio de Caso (Sección 5): La metodología se aplicó a un espectro de rayos X de la estrella RT Cru. Las pruebas de selección de orden y de subconjunto transformadas por K2 confirmaron la validez de un modelo paramétrico que describe el fondo y tres líneas espectrales (Fe XXV, Fe XXVI y Fe K$\alpha$), con valores p de 0.463 y 0.454, respectivamente. Los gráficos QQ confirmaron la propiedad de libertad de distribución en esta aplicación del mundo real.

Significancia y Reivindicaciones
El artículo afirma proporcionar una nueva familia de pruebas suaves que son asintóticamente libres de distribución por diseño, en lugar de depender de la elección específica de una estadística de prueba.

• Robustez: La propiedad de libertad de distribución se preserva incluso cuando los parámetros son estimados y los tamaños de muestra son moderadamente grandes, abordando una limitación conocida de las pruebas suaves clásicas.
• Generalidad: El enfoque permite a los científicos aplicados utilizar una única distribución límite estándar (derivada de un modelo de referencia simple) para probar una amplia variedad de modelos paramétricos complejos, eliminando la necesidad de derivaciones asintóticas específicas del modelo o de un re-muestreo computacionalmente costoso para cada nuevo modelo.
• Ventaja Computacional: La integración del bootstrap proyectado ofrece una alternativa práctica y eficiente al bootstrap paramétrico clásico, haciendo que el procedimiento sea factible para modelos complejos donde la estimación de parámetros consume mucho tiempo.

Los autores concluyen que este marco extiende la utilidad de la transformada K2 más allá de las pruebas de bondad de ajuste hacia el ámbito de las pruebas suaves, ofreciendo un punto medio entre las pruebas de bondad de ajuste generales y las pruebas directas de Neyman-Pearson. Reconocen que, aunque el presente trabajo se centra en entornos univariados, el marco es adaptable a modelos multivariados y contextos de regresión.