High-Dimensional Two-Sample Test for Elliptical Symmetry Distribution

Resumen Técnico: Prueba de Dos Muestras de Alta Dimensión para Distribuciones de Simetría Elíptica

Enunciado del Problema
El artículo aborda el problema de la ubicación de dos muestras en alta dimensión, específicamente la prueba de la igualdad de dos vectores de ubicación ($H_0: \theta_1 = \theta_2$) cuando la dimensión $p$ es comparable o supera los tamaños de muestra ($n_1, n_2$). Se asume que los datos siguen distribuciones de simetría elíptica con estructuras de dependencia arbitrarias en la matriz de dispersión.

La literatura existente enfrenta dos limitaciones principales en este contexto:

1. Robustez vs. Dependencia: Si bien los procedimientos basados en signos espaciales son robustos ante datos de colas pesadas, su calibración estándar depende de condiciones de traza que asumen matrices de dispersión escasas o con dependencia débil. Bajo dependencia fuerte y densa, estas pruebas no mantienen el tamaño correcto porque la distribución nula se convierte en una mezcla ponderada de chi-cuadrado en lugar de una distribución normal, y sus estandarizadores diagonales de punto fijo no logran recuperar la forma diagonal real de la distribución elíptica.
2. Condiciones de Momentos: Muchos métodos robustos requieren condiciones de momentos positivos sobre la variable radial, las cuales pueden no cumplirse para distribuciones de colas pesadas.

Metodología
Los autores proponen una nueva prueba de signo espacial basada en escalas de cuantiles de diferencias pareadas por coordenada (PDQ). El procedimiento implica los siguientes pasos:

1. Estandarización Diagonal: En lugar del estimador iterativo de punto fijo utilizado en trabajos anteriores (por ejemplo, Feng et al., 2016; Li et al., 2016), los autores estiman la diagonal de la matriz de forma elíptica utilizando cuantiles de diferencias pareadas por coordenada. Para una muestra $k$ y una coordenada $j$, el estimador de escala $\hat{d}_{kj}$ se define como el cuantil $\alpha$ al cuadrado de las diferencias absolutas $|X_{kij} - X_{k\ell j}|$.

   • Este estimador es libre de ubicación y no requiere condiciones de momentos positivos sobre la variable radial.
   • Recupera la forma diagonal hasta un factor escalar específico de la muestra, el cual desaparece tras la normalización espacial.

2. Mediana Espacial y Signos: Utilizando la matriz diagonal estimada $\hat{D}_k$, los autores calculan la mediana espacial de la muestra completa $\hat{\theta}_k$ y los signos espaciales estandarizados $\hat{S}_{ki} = U(\hat{D}_k^{-1/2}(X_{ki} - \hat{\theta}_k))$.

3. Estadístico de Prueba: El estadístico de prueba es una forma cuadrática de los signos espaciales con eliminación diagonal:
   $$\hat{R}^{PDQ}_n = -\frac{1}{n_1 n_2} \sum_{i=1}^{n_1} \sum_{j=1}^{n_2} \hat{S}_{1i}^\top \hat{S}_{2j}$$
   Para corregir los términos diagonales empíricos en la expansión, se resta una corrección de eliminación diagonal empírica $\hat{b}_n$, obteniendo el estadístico factible $T^{PDQ}_n = \hat{R}^{PDQ}_n - \hat{b}_n$.

4. Calibración: Reconociendo que la distribución nula bajo dependencia fuerte es generalmente una mezcla ponderada de chi-cuadrado no gaussiana, los autores emplean un bootstrap salvaje de Rademacher para la calibración. Este método estima consistentemente la ley nula sin requerir una estimación explícita de los pesos espectrales desconocidos o los autovalores de la distribución límite.

Contribuciones Teóricas Clave

• Expansión Estocástica de Tasa Explícita: Los autores derivan una expansión de tasa explícita para el estadístico de la muestra completa, estableciendo las tasas de convergencia del estimador diagonal, la mediana espacial y las matrices de sustitución.
• Distribución Nula General: Bajo estructuras de correlación arbitrarias, el artículo establece que el estadístico con eliminación diagonal oráculo converge a una mezcla ponderada general de chi-cuadrado. Se demuestra que la aproximación normal es un caso especial que ocurre únicamente cuando ningún autovalor individual domina el espectro.
• Justificación de la Eliminación Diagonal: El artículo justifica la corrección de eliminación diagonal empírica, mostrando que elimina los términos diagonales dentro de la muestra necesarios para la expansión cuadrática sin requerir que el término de corrección estime la media poblacional con alta precisión.
• Consistencia del Bootstrap: Se demuestra que el bootstrap salvaje de Rademacher estima consistentemente la ley nula, proporcionando un método de calibración válido tanto para regímenes asintóticamente normales como no normales.
• Supuestos Relajados: El marco teórico no requiere escasez, banda o correlación débil de las matrices de dispersión. Acomoda estructuras de dependencia arbitrarias siempre que la dimensión satisfaga $p = o\{n_0^2 / \log^2(p + n_0)\}$ en regímenes de espectro acotado.

Resultados Empíricos
Los estudios de simulación comparan la prueba PDQ propuesta contra:

• SST: La prueba de signo espacial de Li et al. (2016) con iteración diagonal basada en signos.
• ART: La prueba de aleatorización aproximada de Wang y Xu (2022).
• BF-F: La prueba de tipo F de referencia normal de Zhu et al. (2024).

Las simulaciones consideran distribuciones normales multivariadas, $t$ multivariadas (colas pesadas) y mezclas normales bajo estructuras de dependencia AR(1) y Simetría Compuesta (CS) con alta correlación ($\rho=0.9$).

• Control del Tamaño: La prueba PDQ propuesta demuestra un control preciso y estable del nivel nominal en todos los escenarios, incluidos datos de colas pesadas y contaminados. Por el contrario, SST es sistemáticamente liberal (rechaza en exceso) bajo dependencia fuerte y no normalidad, mientras que BF-F se vuelve conservadora bajo colas pesadas.
• Potencia: Bajo alternativas densas, PDQ sigue el rendimiento de los métodos competidores con datos gaussianos, pero supera significativamente a estos bajo distribuciones de colas pesadas y contaminadas. Las ganancias aparentes de potencia de SST en algunos escenarios se atribuyen a su distorsión del tamaño (rechazo excesivo bajo la nula) en lugar de una capacidad genuina de discriminación.

Significado y Afirmaciones
El artículo afirma resolver la brecha entre las pruebas basadas en medias con covarianza arbitraria y las pruebas de signo espacial robustas ante colas pesadas. Al reemplazar el estandarizador diagonal de punto fijo con un estimador de cuantiles de diferencias pareadas y utilizar un bootstrap salvaje para la calibración, el método propuesto:

1. Permanece válido bajo dependencia fuerte y densa donde las teorías previas de signo espacial fallan.
2. No requiere condiciones de momentos positivos sobre la variable radial, lo que lo hace adecuado para distribuciones de colas pesadas.
3. Proporciona un marco unificado que se adapta a la estructura de dependencia subyacente, generando un límite de chi-cuadrado ponderado en general y un límite normal solo como un caso especial.

Los autores concluyen que el procedimiento propuesto ofrece el rendimiento global más fiable para la prueba de ubicación de dos muestras en alta dimensión cuando la dependencia es fuerte y las distribuciones son potencialmente de colas pesadas o contaminadas.