A New Class of Asymptotically Distribution-Free Smooth Tests

Résumé Technique : Une nouvelle classe de tests de lissage asymptotiquement sans distribution

Énoncé du Problème
L'article traite du défi consistant à construire des tests de lissage de qualité de l'ajustement qui restent asymptotiquement sans distribution, même lorsque les paramètres du modèle sont estimés et que les tailles d'échantillon ne sont que modérément grandes. Les tests de lissage traditionnels, tels que le test du score (Neyman, 1937) et les tests de sélection d'ordre (Ledwina, 1994), reposent sur la propriété de l'absence de distribution de statistiques spécifiques. Cependant, cette propriété nécessite souvent des tailles d'échantillon très importantes pour se réaliser en pratique, particulièrement pour des distributions complexes ou lorsque l'estimation des paramètres est coûteuse en termes de calcul. De plus, le choix des fonctions de base dans ces tests classiques est souvent arbitraire, et leurs distributions limites peuvent varier selon le modèle paramétrique spécifique testé, nécessissant des simulations spécifiques au modèle (par exemple, le bootstrap paramétrique) pour déterminer les valeurs critiques.

Méthodologie
Les auteurs proposent un cadre qui déplace la perspective : plutôt que de s'assurer que des statistiques spécifiques sont sans distribution, l'objectif est de construire le processus empirique sous-jacent pour qu'il soit, par conception, asymptotiquement sans distribution. Cela est réalisé grâce à deux composantes méthodologiques principales :

1. La Transformation Khmaladze-2 (K2) :
   L'innovation centrale est l'application de la transformation K2 (Khmaladze, 2016) à la construction des fonctions de base orthonormées utilisées dans les tests de lissage.

   • Mécanisme : La transformation utilise des opérateurs unitaires pour mapper les projections dépendantes du modèle du processus empirique vers une « projection standard » définie par une distribution de référence choisie par l'utilisateur, $F_\gamma$.
   • Construction : Les auteurs définissent une base orthonormée K2 $\{h_{j\beta}\}$ pour l'espace $L^2(G_\beta)$ en mappant une base de l'espace de référence $L^2(F_\gamma)$ via une séquence d'opérateurs : un opérateur de multiplication $l_{\gamma,\beta}$, un opérateur de réflexion $K$, et un opérateur unitaire $U_p$.
   • Résultat : Cette construction garantit que les résidus des fonctions de base, $\{\tilde{h}_{j\beta}\}$, possèdent la même structure de moyenne et de covariance sous l'hypothèse nulle $G_\beta$ que les résidus des fonctions de base sous la distribution de référence $F_\gamma$. Par conséquent, le processus empirique indexé par ces résidus, ainsi que tout fonctionnel de celui-ci (y compris les statistiques de sélection d'ordre et de sous-ensemble), partage la même distribution limite sous $G_\beta$ que sous $F_\gamma$. Puisque $F_\gamma$ peut être choisie de manière simple (par exemple, une loi normale standard ou une loi uniforme), la distribution limite devient sans distribution.

2. Le Bootstrap Projeté :
   Pour répondre à la charge de calcul liée à la simulation des distributions nulles, particulièrement lorsque les paramètres sont estimés, les auteurs utilisent le « bootstrap projeté » (Algeri, 2022).

   • Mécanisme : Au lieu de ré-estimer le paramètre inconnu $\beta$ sur chaque réplique du bootstrap (comme dans le bootstrap paramétrique classique), cette méthode exploite la structure de projection induite par l'estimation des paramètres.
   • Efficacité : Sur la base de la Proposition 1 (Khmaladze, 1980), le processus empirique indexé par les résidus estimés est asymptotiquement équivalent au processus indexé par les vrais résidus. Cela permet à l'utilisateur d'estimer le paramètre une seule fois sur les données observées, puis de simuler la distribution nulle sans ré-estimer $\beta$ pour chaque échantillon de bootstrap, ce qui réduit considérablement le temps de calcul.

Résultats Clés
L'article valide la méthodologie proposée par des preuves théoriques et des études de simulation :

• Validité Théorique : Les propositions 2 à 5 démontrent formellement que les fonctions de base transformées par K2 produisent des processus empiriques qui sont asymptotiquement sans distribution, même lorsque les paramètres sont estimés via des estimateurs Z (y compris le maximum de vraisemblance).
• Études de Simulation (Section 4.2) :
  • Les auteurs ont simulé des données issues d'une distribution de mélange complexe et les ont testées contre trois modèles nuls paramétriques différents ($G_{\beta,1}, G_{\beta,2}, G_{\beta,3}$).
  • Absence de Distribution : Lorsqu'ils utilisaient des fonctions de base standards (compositions de polynômes de Legendre et de la fonction de répartition nulle), les distributions nulles des statistiques de test variaient considérablement entre les différents modèles. En revanche, lorsqu'ils utilisaient les fonctions de base transformées par K2, les distributions nulles simulées sous les trois modèles étaient indiscernables de la distribution sous le modèle de référence $F_\gamma$, même avec une taille d'échantillon de $n=100$.
  • Puissance : Les tests basés sur K2 ont démontré une puissance compétitive ou supérieure aux tests de lissage classiques dans des scénarios spécifiques (par exemple, la détection de déviations dans $G_{\beta,2}$ et $G_{\beta,3}$), bien que les auteurs notent que l'amélioration de la puissance n'est pas garantie pour toutes les alternatives.
• Efficacité de Calcul (Section 3.1) : Dans une simulation impliquant une distribution de Laplace asymétrique, le bootstrap projeté a réduit le temps CPU d'environ 75 % (9 minutes contre 37 minutes pour 100 000 répliques) par rapport au bootstrap paramétrique classique, tout en récupérant avec précision la véritable distribution nulle.
• Étude de Cas (Section 5) : La méthodologie a été appliquée à un spectre de rayons X de l'étoile RT Cru. Les tests de sélection d'ordre et de sous-ensemble transformés par K2 ont confirmé la validité d'un modèle paramétrique décrivant le fond continu et trois raies spectrales (Fe XXV, Fe XXVI et Fe K$\alpha$), avec des p-valeurs de 0,463 et 0,454, respectivement. Les graphiques QQ ont confirmé la propriété d'absence de distribution dans cette application réelle.

Signification et Revendications
L'article affirme fournir une nouvelle famille de tests de lissage qui sont asymptotiquement sans distribution par conception, plutôt que par le choix d'une statistique de test spécifique.

• Robustesse : La propriété d'absence de distribution est préservée même lorsque les paramètres sont estimés et que les tailles d'échantillon sont modérément grandes, répondant ainsi à une limitation connue des tests de lissage classiques.
• Généralité : L'approche permet aux scientifiques appliqués d'utiliser une distribution limite unique et standard (dérivée d'un modèle de référence simple) pour tester une grande variété de modèles paramétriques complexes, éliminant ainsi le besoin de dérivations asymptotiques spécifiques au modèle ou de ré-échantillonnage coûteux en calcul pour chaque nouveau modèle.
• Avantage Computationnel : L'intégration du bootstrap projeté offre une alternative pratique et efficace au bootstrap paramétrique classique, rendant la procédure réalisable pour des modèles complexes où l'estimation des paramètres est chronophage.

Les auteurs concluent que ce cadre étend l'utilité de la transformation K2 au-delà des tests de qualité de l'ajustement pour l'amener vers le domaine des tests de lissage, offrant un juste milieu entre les tests de qualité de l'ajustement généraux et les tests de Neyman-Pearson directionnels. Ils reconnaissent que, bien que le présent travail se concentre sur les contextes univariés, le cadre est adaptable aux modèles multivariés et aux contextes de régression.