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

Résumé Technique : Un critère de transférabilité pour la réduction de la variance par optimisation sous l'hypothèse nulle dans les tests d'indépendance basés sur les cumulants

Énoncé du Problème
L'article traite d'une lacune méthodologique spécifique dans les tests d'hypothèse pour l'indépendance des erreurs de mesure, en se concentrant sur la statistique du troisième ordre de Wiedermann–Shi (W&S) ($\Delta c_3$). Cette statistique détecte les corrélations asymétriques des erreurs de mesure entre deux scores observés parallèles ($X_1, X_2$) sous un modèle de variable latente. Bien que l'estimateur naïf de $\Delta c_3$ soit sans biais et possède une convergence de l'ordre de $\sqrt{N}$, il peut présenter une variance élevée dans des tailles d'échantillons modérées ou des distributions asymétriques.

Le problème central étudié est de savoir si les estimateurs de la Méthode de Maximisation Polynomiale (PMM) — spécifiquement le PMM de second ordre (PMM2) — peuvent être adaptés avec succès pour réduire la variance de la statistique W&S pour les tests d'hypothèse. La PMM est une technique standard de réduction de la variance dans l'estimation de paramètres à population unique (ex: variables de contrôle), où des fonctions auxiliaires dont les espérances sont connues sont utilisées pour ajuster un estimateur cible. L'article demande si un estimateur PMM2, optimisé sous l'hypothèse nulle ($H_0$) d'échangeabilité des erreurs, peut valablement se transférer à un problème de test à deux régions impliquant une hypothèse alternative ($H_1$) de corrélations asymétriques.

Méthodologie
L'étude emploie une analyse théorique en forme close combinée à des simulations de Monte Carlo extensives.

1. Cadre Théorique :

   • Les auteurs dérivent un critère de transférabilité pour la réduction de la variance optimisée sous l'hypothèse nulle. Ils postulent que pour un ajustement de la statistique cible centré sur $H_0$ avec un vecteur de poids $K_0$, l'espérance sous l'hypothèse alternative ($H_1$) est égale à la cible plus $K_0^\top \mu_{a, H_1}$, où $\mu_{a, H_1}$ est la moyenne de la base d'ajustement sous $H_1$.
   • L'article démontre que la réduction de la variance se transfère sans biais vers l'alternative uniquement si la condition d'orthogonalité $K_0^\top \mu_{a, H_1} = 0$ est respectée.
   • La construction PMM2 utilise des auxiliaires polynomiaux antisymétriques (ex: $X_1^3 - X_2^3$) qui ont une espérance nulle sous $H_0$ en raison de l'échangeabilité. Les poids $K^*$ sont optimisés pour minimiser la variance sous $H_0$.

2. Conception de la Simulation :

   • Les auteurs simulent des données basées sur le modèle W&S avec des paramètres variables : chargement relatif ($R \in \{1, 1.25, 2\}$), asymétrie de la vraie score latente ($\gamma_T$) et asymétrie du facteur de confusion latent ($\gamma_U$).
   • Ils évaluent l'estimateur PMM2 par rapport à l'estimateur naïf à travers 36 conditions, en évaluant :
     • L'Efficacité Relative Assimptotique (ARE) : Réduction de la variance sous $H_0$.
     • Le Biais et la Consistance : Convergence de l'estimateur vers le vrai $\Delta c_3$ sous $H_1$.
     • La Puissance : Taux de rejet par bootstrap au seuil $\alpha = 0.05$.
   • Des tests de robustesse sont effectués en variant la taille des rééchantillonnages bootstrap ($B=200$ vs $1000$), en utilisant des intervalles BCa, et en testant des alternatives à queues lourdes (Tukey $g$-and-$h$).

Résultats Clés

1. Succès sous $H_0$ (Réduction de la Variance) :

   • Sous l'hypothèse nulle ($R=1$ ou facteurs de confusion symétriques), l'estimateur PMM2 parvient à une réduction significative de la variance. L'Efficacité Relative Assimptotique (ARE) varie de 1.23 à 5.16 selon les conditions.
   • Les taux d'erreur de Type-I sont contrôlés (0.04–0.09), confirmant la validité de l'estimateur pour l'inférence centrée sur $H_0$.

2. Échec sous $H_1$ (Inconsistance) :

   • Sous l'hypothèse alternative ($R \neq 1, \kappa_3(U) \neq 0$), l'estimateur PMM2 est prouvé comme étant inconsistant. Les auxiliaires antisymétriques acquièrent des moyennes non nulles sous $H_1$, mais les poids $K^*$ restent fixés à leurs valeurs optimisées sous $H_0$.
   • Cela entraîne une atténuation systématique du signal cible. L'espérance de l'estimateur sous $H_1$ est $\Delta c_3 + K^*(1-R^3)\kappa_3(U)$.
   • L'atténuation est sévère : dans les régimes d'alternatives fortes ($R=2$), l'estimateur ne retient qu'environ 16 % du signal réel (84 % d'atténuation).
   • L'augmentation de la taille de l'échantillon ($N$) ne corrige pas ce biais ; l'estimateur converge vers une valeur éloignée du paramètre réel.

3. Conséquences pour la Puissance de Test :

   • La perte de signal se traduit directement par une perte catastrophique de puissance statistique. Les pertes de puissance varient de 7 à 52 points de pourcentage par rapport à l'estimateur naïf.
   • Dans les scénarios d'alternative les plus forts ($R=2$), le test naïf atteint environ 86 % de puissance, tandis que le test PMM2 chute à environ 33–36 %.
   • L'article note que les tests unitaires standards (vérifiant uniquement le biais et la variance sous $H_0$) auraient incorrectement désigné le PMM comme une amélioration, soulignant un piège dans l'évaluation méthodologique.

4. Extensions (PMM3 et PATP) :

   • Une correction de style PMM3 de quatrième ordre symétrique a été testée. Bien qu'elle ait réduit la variance (ratio 1.127), elle a échoué aux portes de test pratiques sensibles aux variables de nuisance, présentant un taux de rejet de nuisance de 0.295 (contre une garde de 0.10).
   • Le Polynôme de Transition Adaptatif Paramétriquement (PATP) est discuté comme une extension conceptuelle pour la sélection de la base, mais il est explicitement précisé que le PATP ne résout pas le problème de consistance à lui seul. Sans recentrer les poids sous l'alternative, une base plus riche ne fait que créer un estimateur plus efficace d'une mauvaise cible.

Signification et Revendications
La contribution principale de l'article est un critère de transférabilité en forme close pour l'application de variables de contrôle optimisées sous l'hypothèse nulle à des tests d'hypothèse à deux régions. Les auteurs affirment que :

• Limite Théorique : Les techniques de réduction de la variance développées pour l'estimation de population unique (où la distribution est fixe) ne se transfèrent pas automatiquement aux tests d'hypothèse (où la distribution change entre $H_0$ et $H_1$). Plus précisément, centrer les fonctions auxiliaires sur leurs espérances sous $H_0$ détruit la consistance sous $H_1$, à moins que les poids de la nullité ne soient orthogonaux aux moyennes du côté de l'alternative.
• Avertissement Méthodologique : Cette étude sert d'étude de cas diagnostique démontrant qu'une validation "uniquement sous $H_0$" est insuffisante pour les méthodologies de test d'hypothèse. Une méthode peut être hautement efficace sous la nullité tout en échouant totalement à détecter l'alternative en raison de l'atténuation du signal.
• Porte Opérationnelle : Les auteurs proposent une « porte d'acceptation de consistance sous l'alternative » pour les futurs tests statistiques à variance réduite. Tout test de ce type doit vérifier que la cible reste consistante sous des alternatives représentatives, et non simplement qu'il réduit la variance sous la nullité.

L'article conclut que si la PMM est une technique saine pour l'estimation de paramètres, son application directe à la tâche de test de cumulant croisé W&S est invalide sans un mécanisme pour adapter le centrage ou les poids à l'hypothèse alternative. L'échec est structurel, et non un artefact de l'échantillon fini.