A Transferability Criterion for Null-Optimized Variance Reduction in Cumulant-Based Error-Independence Testing

Resumen Técnico: Un Criterio de Transferibilidad para la Reducción de Varianza Optimizada bajo la Nula en Pruebas de Independencia de Cumulantes

Planteamiento del Problema
El artículo aborda una brecha metodológica específica en las pruebas de hipótesis para la independencia de errores de medición, centrándose en el estadístico de tercer orden de Wiedermann–Shi (W&S) ($\Delta c_3$). Este estadístico detecta errores de medición correlacionados asimétricos entre dos puntuaciones observadas paralelas ($X_1, X_2$) bajo un modelo de variable latente. Si bien el estimador ingenuo de $\Delta c_3$ es insesgado y es $\sqrt{N}$-consistente, puede exhibir una alta varianza en tamaños de muestra moderados o distribuciones sesgadas.

El problema central investigado es si los estimadores del Método de Maximización de Polinomios (PMM) —específicamente el segundo orden PMM2— pueden adaptarse con éxito para reducir la varianza del estadístico de W&S para la prueba de hipótesis. El PMM es una técnica estándar de reducción de varianza en la estimación de parámetros de una sola población (por ejemplo, covariables de control), donde se utilizan funciones auxiliares con expectativas conocidas para ajustar un estimador objetivo. El artículo pregunta si un estimador PMM2, optimizado bajo la hipótesis nula ($H_0$) de intercambiabilidad de error, puede transferirse válidamente a un problema de prueba de dos regiones donde la hipótesis alternativa ($H_1$) implica correlaciones asimétricas.

Metodología
El estudio emplea un análisis teórico de forma cerrada combinado con extensas simulaciones de Monte Carlo.

1. Marco Teórico:

   • Los autores derivan un criterio de transferibilidad para la reducción de varianza optimizada bajo la nula. Postulan que para un aumento del estadístico objetivo centrado en $H_0$ con un vector de pesos $K_0$, la expectativa bajo la alternativa ($H_1$) es igual al objetivo más $K_0^\top \mu_{a, H_1}$, donde $\mu_{a, H_1}$ es la media de la base de aumento bajo $H_1$.
   • El artículo demuestra que la reducción de la varianza se transfiere sin sesgo a la alternativa solo si se cumple la condición de ortogonalidad $K_0^\top \mu_{a, H_1} = 0$.
   • La construcción PMM2 utiliza auxiliares polinómicos antisimétricos (por ejemplo, $X_1^3 - X_2^3$) que tienen una expectativa de cero bajo $H_0$ debido a la intercambiabilidad. Los pesos $K^*$ se optimizan para minimizar la varianza bajo $H_0$.

2. Diseño de Simulación:

   • Los autores simulan datos basados en el modelo W&S con parámetros variables: carga relativa ($R \in \{1, 1.25, 2\}$), sesgo de la puntuación verdadera latente ($\gamma_T$) y sesgo del confundidor latente ($\gamma_U$).
   • Evalúan el estimador PMM2 frente al estimador ingenuo a través de 36 condiciones, evaluando:
     • Eficiencia Relativa de la Asíntota (ARE): Reducción de la varianza bajo $H_0$.
     • Sesgo y Consistencia: Convergencia del estimador al verdadero $\Delta c_3$ bajo $H_1$.
     • Potencia: Tasas de rechazo de bootstrap en $\alpha = 0.05$.
   • Realizan controles de robustez variando los tamaños de remuestreo de bootstrap ($B=200$ vs. $1000$), utilizando intervalos BCa y probando alternativas de cola pesada (Tukey $g$-and-$h$).

Resultos Clave

1. Éxito bajo $H_0$ (Reducción de Varianza):

   • Bajo la hipótesis nula ($R=1$ o confundidores simétricos), el estimador PMM2 logra una reducción de varianza significativa. La Eficiencia Relativa Asintótica (ARE) oscila entre 1.23 y 5.16 en todas las condiciones.
   • Las tasas de error de Tipo I están controladas (0.04–0.09), confirmando que el estimador es válido para la inferencia centrada en $H_0$.

2. Fracaso bajo $H_1$ (Inconsistencia):

   • Bajo la hipótesis alternativa ($R \neq 1, \kappa_3(U) \neq 0$), el estimador PMM2 es probablemente inconsistente. Los auxiliares antisimétricos adquieren medias no nulas bajo $H_1$, pero los pesos $K^*$ permanecen fijos en sus valores optimizados para $H_0$.
   • Esto resulta en una atenuación sistemática de la señal objetivo. El valor esperado del estimador bajo $H_1$ es $\Delta c_3 + K^*(1-R^3)\kappa_3(U)$.
   • La atenuación es severa: en regímenes de alternativa fuerte ($R=2$), el estimador retiene solo ~16% de la señal verdadera (84% de atenuación).
   • Aumentar el tamaño de la muestra ($N$) no corrige este sesgo; el estimador converge a un valor alejado del parámetro real.

3. Consecuencias para la Potencia de la Prueba:

   • La pérdida de señal se traduce directamente en una pérdida catastrófica de potencia estadística. Las pérdidas de potencia oscilan entre 7 y 52 puntos porcentuales en comparación con el estimador ingenuo.
   • En los escenarios de alternativa más fuertes ($R=2$), la prueba ingenua alcanza ~86% de potencia, mientras que la prueba PMM2 cae a ~33–36%.
   • El artículo señala que las pruebas de unidad estándar (que solo verifican el sesgo y la varianza bajo $H_0$) habrían marcado incorrectamente al PMM2 como una mejora, resaltando un peligro en la evaluación metodológica.

4. Extensiones (PMM3 y PATP):

   • Se probó una corrección simétrica de cuarto orden tipo PMM3. Aunque redujo la varianza (ratio 1.127), falló en las compuertas de prueba de la presencia de variables de confusión (nuisance-aware), exhibiendo una tasa de rechazo de la variable de confusión de 0.295 (frente a una guardia de 0.10).
   • El Polinomio de Transición Adaptativo Paramétricamente (PATP) se discute como una extensión conceptual para la selección de la base, pero se establece explícitamente que no resuelve el problema de la consistencia por sí solo. Sin el recentrado de los pesos bajo la alternativa, una base más rica simplemente crea un estimador más eficiente de un objetivo erróneo.

Significado y Reivindicaciones
La contribución principal del artículo es un criterio de transferibilidad en forma cerrada para aplicar covariables optimizadas bajo la nula en pruebas de hipótesis de dos regiones. Los autores afirman:

• Límite Teórico: Las técnicas de reducción de varianza desarrolladas para la estimación de una sola población (donde la distribución es fija) no se transfieren automáticamente a las pruebas de hipótesis (donde la distribución cambia entre $H_0$ y $H_1$). Específicamente, centrar las funciones auxiliares en sus expectativas bajo $H_0$ destruye la consistencia bajo $H_1$, a menos que los pesos de la nula sean ortogonales a las medias del lado de la alternativa.
• Advertencia Metodológica: El estudio sirve como un caso de estudio diagnóstico que demuestra que la validación "solo bajo $H_0$" es insuficiente para las metodologías de prueba de hipótesis. Un método puede ser altamente eficiente bajo la nula y, sin embargo, fallar completamente en detectar la alternativa debido a la atenuación de la señal.
• Compuerta Operativa: Los autores proponen una "compuerta de aceptación de consistencia de la alternativa" para futuras estadísticas de prueba con reducción de varianza. Cualquier estadística de este tipo debe verificar que el objetivo sigue siendo consistente bajo alternativas representativas, no solo que reduce la varianza bajo la nula.

El artículo concluye que, si bien el PMM es una técnica sólida para la estimación de parámetros, su aplicación directa a la tarea de prueba de los cumulantes cruzados de W&S es inválida sin un mecanismo para adaptar el centrado o los pesos a la hipótesis alternativa. El fallo es estructural, no un artefacto de muestra finita.