Wasserstein Projection Tests: Higher-Order Asymptotics and Connections to Empirical Likelihood

तकनीकी सारांश: वासेरस्टीन प्रोजेक्शन परीक्षण: उच्च-क्रम की विषमताएँ और एम्पेरिकल लाइकलीहुड के साथ संबंध

1. समस्या का निरूपण

यह शोधपत्र मोमेंट प्रतिबंधों (moment restrictions) के लिए परिकल्पना परीक्षणों के निर्माण और विश्लेषण को संबोधित करता है। एक एम्पेरिकल वितरण $Q_n$ को देखते हुए, जो $i.i.d.$ प्रेक्षणों $X_1, \dots, X_n$ से प्राप्त हुआ है, और एक नल मॉडल $\mathcal{P}_0 = \{P : E_P[h(X)] = 0\}$ को एक मोमेंट फंक्शन $h: \mathbb{R}^{d_X} \to \mathbb{R}^{d_h}$ द्वारा परिभाषित किया गया है, लक्ष्य $H_0: P_\star \in \mathcal{P}_0$ बनाम $H_1: P_\star \notin \mathcal{P}_0$ का परीक्षण करना है।

लेखक वासेरस्टीन प्रोजेक्शन (WP) परीक्षण पर ध्यान केंद्रित करते हैं। एम्पेरिकल लाइकलीहुड (EL) के विपरीत, जो देखे गए परमाणुओं (atoms) को पुन: भारित (reweighting) करके $\mathcal{P}_0$ पर अपने एम्पेरिकल नियम को प्रोजेक्ट करता है, WP नमूना स्थान (sample space) के भीतर द्रव्यमान का परिवहन (transporting mass) करके यह प्रोजेक्शन करता है। परीक्षण सांख्यिकी को एम्पेरिकल वितरण को नल मोमेंट प्रतिबंध के साथ संरेखित करने के लिए आवश्यक न्यूनतम परिवहन लागत के रूप में परिभाषित किया गया है:
$$R_n(h) = \inf_{P \in \mathcal{P}_0} W_c(Q_n, P)$$
जहाँ $W_c$ एक वर्गाकार महलानोबिस ग्राउंड कॉस्ट $c(\bar{x}, x) = \|\bar{x} - x\|_\Sigma^2$ के साथ इष्टतम परिवहन लागत है। परीक्षण $n R_n(h)$ के पुन: स्केल किए गए सांख्यिकीय मान के बड़े होने पर $H_0$ को अस्वीकार करता है।

जबकि मौजूदा सिद्धांत यह स्थापित करता है कि $n R_n(h)$ नल के तहत एक द्विघाती रूप (quadratic form) की ओर अभिसरित होता है (जो एक प्रथम-क्रम रूप से वैध परीक्षण प्रदान करता है), यह प्रथम-क्रम सीमा निम्नलिखित में विफल रहती है:

1. परिमित-नमूना आकार विरूपण (finite-sample size distortion/coverage error) को मापना।
2. जब WP, EL और Hotelling's $T^2$ एक ही सीमित स्थानीय शक्ति (limiting local power) साझा करते हैं (विशेष रूप से स्केलर मोमेंट मामले में, $d_h=1$), तो WP की शक्ति को प्रतिस्पर्धियों से अलग करना।

2. कार्यप्रणाली

शोधपत्र इन अंतरालों को भरने के लिए एक उच्च-क्रम विषमता विश्लेषण (higher-order asymptotic analysis) विकसित करता है। कार्यप्रणाली नल परिकल्पना और पिटमैन-प्रकार के स्थानीय विकल्पों (Pitman-type local alternatives) दोनों के तहत WP सांख्यिकी के स्टोकेस्टिक विस्तार (stochastic expansions) प्राप्त करने पर आधारित है।

मुख्य तकनीकी चरण:

• द्वैत प्रतिनिधित्व (Dual Representation): लेखक प्रोजेक्शन दूरी के सटीक पुन: स्केल किए गए द्वैत प्रतिनिधित्व का उपयोग करते हैं। सांख्यिकी को एक द्वैत चर $\zeta$ पर सुप्रीमकम (supremum) के रूप में व्यक्त किया जाता है:
  $$n R_n(h) = \sup_{\zeta \in \mathbb{R}^{d_h}} \left\{ -\zeta^\top H_n - M_n(\zeta) \right\}$$
  जहाँ $H_n$ स्केल किया गया एम्पेरिकल मोमेंट है और $M_n(\zeta)$ ग्राउंड कॉस्ट और मोमेंट फंक्शन को शामिल करने वाला एक उत्तल (convex) फलन है।
• स्टोकेस्टिक विस्तार (Stochastic Expansion): $M_n(\zeta)$ को मूल बिंदु के आसपास टेलर सीरीज़ का उपयोग करके विस्तारित करके और एम्पेरिकल मात्राओं (Jacobians, Hessians, और moment envelopes) पर उच्च-संभाव्यता सीमाओं के माध्यम से शेष पदों (remainder terms) को नियंत्रित करके, लेखक सांख्यिकी का $n^{-1/2}$ की घातों में विस्तार प्राप्त करते हैं।
• एजवर्थ थ्योरी (Edgeworth Theory): इस विस्तार को सांख्यिकी के वितरण के लिए एजवर्थ विस्तार में अनुवादित किया जाता है। यह आकार त्रुटियों (nominal confidence levels से विचलन) और स्थानीय शक्ति सुधारों को मापने की अनुमति देता है।
• बार्टलेट-प्रकार के सुधार (Bartlett-type Corrections): विस्तार को $n^{-1}$ के क्रम तक विस्तारित करके, लेखक अग्रणी अंशांकन त्रुटि (calibration error) की पहचान करते हैं और कवरेज सटीकता में सुधार के लिए बार्टलेट-प्रकार के सुधारों का निर्माण करते हैं।
• प्रमाणित गणना (Certified Computation): यह पहचानते हुए कि प्रोजेक्शन का अक्सर कोई बंद रूप (closed form) नहीं होता है, शोधपत्र एक "प्रमाणित स्थानीयकृत द्वैत एल्गोरिदम" विकसित करता है। यह एल्गोरिदम परीक्षण निर्णय को एक डिस्ट्रीब्यूशनली रोबस्ट ऑप्टिमाइज़ेशन (DRO) समस्या के रूप में पुनर्गठित करता है, द्वैत चरों को एक कॉम्पैक्ट बॉक्स तक स्थानीयकृत करता है जहाँ स्ट्रॉन्ग कॉन्वेक्सिटी/कॉनकेविटी बनी रहती है, और सांख्यिकीय रूप से वैध होने के लिए संख्यात्मक त्रुटि पर कठोर सीमाएँ प्रदान करता है।

3. मुख्य योगदान और परिणाम

A. उच्च-क्रम विषमता विस्तार (Higher-Order Asymptotic Expansions)

शोधपत्र नल और स्थानीय विकल्पों के तहत $n R_n(h)$ के लिए एक स्टोकेस्टिक विस्तार प्राप्त करता है:
$$n R_n(h) = \langle V_n, \xi_n^{\otimes 2} \rangle + \frac{1}{\sqrt{n}} \langle K_n, \xi_n^{\otimes 3} \rangle + \varepsilon_n$$
जहाँ $V_n$ और $K_n$ जैकोबियन और हेसियन से प्राप्त एम्पेरिकल टेंसर हैं, और $\xi_n$ एक स्केल किया गया एम्पेरिकल दिशा है। शेष पद $\varepsilon_n$ उच्च संभाव्यता के साथ यूनिफॉर्म रूप से बाध्य है।

B. आकार और शक्ति निहितार्थ (Size and Power Implications)

• आकार सटीकता (Size Accuracy): परिणामी एजवर्थ थ्योरी दिखाती है कि प्लग-इन WP टेस्ट का आकार त्रुटि (size error) $\tilde{O}(n^{-1})$ का है। यह प्रथम-क्रम सन्निकटन की तुलना में $O(n^{-1/2})$ त्रुटि से एक महत्वपूर्ण सुधार है।
• स्थानीय शक्ति (Local Power): स्थानीय विकल्पों के तहत, शोधपत्र स्थानीय शक्ति के लिए एक स्पष्ट $n^{-1/2}$ सुधार की पहचान करता है।
• EL और $T^2$ के साथ तुलना: स्थानीय स्थान शिफ्ट (local location shifts) के तहत स्केलर मोमेंट्स ($d_h=1$) के लिए, WP, EL और Hotelling's $T^2$ समान प्रथम-क्रम स्थानीय शक्ति साझा करते हैं। हालाँकि, उनकी द्वितीय-क्रम रैंकिंग (second-order ranking) भिन्न होती है:
  • WP: इसकी शक्ति सुधार एक डेरिवेटिव-आधारित वक्रता (derivative-based curvature) गुणांक द्वारा शासित होता है (जिसमें $h$ का हेसियन शामिल है)।
  • EL: इसका शक्ति सुधार एक वैल्यू-आधारित विषमता (value-based skewness) गुणांक द्वारा शासित होता है (जिसमें $h$ का तीसरा मोमेंट शामिल है)।
  • $T^2$: इस विशिष्ट तुलना शासन में शून्य द्वितीय-क्रम सुधार रखता है।
    शोधपत्र प्रदर्शित करता है कि जब मोमेंट फंक्शन अनुकूल डेरिवेटिव वक्रता (favorable derivative curvature) प्रदर्शित करता है, तो WP, EL और $T^2$ से बेहतर प्रदर्शन कर सकता है।

C. बार्टलेट-प्रकार के सुधार (Bartlett-type Corrections)

लेखक स्केलर मोमेंट प्रतिबंधों के लिए दो बार्टलेट-प्रकार के सुधारों के निर्माण हेतु विस्तार को $n^{-1}$ के क्रम तक बढ़ाते हैं। ये सुधार अग्रणी $O(n^{-1})$ अंशांकन त्रुटि को हटा देते हैं, जिससे कॉन्फिडेंस रीजन की कवरेज सटीकता $\tilde{O}(n^{-3/2})$ तक सुधर जाती है।

D. प्रमाणित गणना (Certified Computation)

शोधपत्र एक एल्गोरिदम 1 प्रस्तावित करता है, जो एक नेस्टेड ऑप्टिमाइज़ेशन स्कीम है जो:

1. द्वैत खोज स्थान को एक कॉम्पैक्ट बॉक्स तक स्थानीयकृत करता है जहाँ आंतरिक समस्याएँ स्ट्रॉन्गली कॉन्वेक्स हैं।
2. समस्या को हल करने के लिए ट्रिसेक्शन (trisection) और प्रोजेक्टेड ग्रेडिएंट एसेंट का उपयोग करता है।
3. एक प्रमाणित निर्णय (certified decision) प्रदान करता है: एल्गोरिदम संख्यात्मक त्रुटि को नियंत्रित करता है ताकि गणना संबंधी अशुद्धि के कारण "गलत अस्वीकृति" या "गलत स्वीकृति" की संभावना नगण्य हो।
4. $\tilde{O}(n)$ की कुल कम्प्यूटेशनल जटिलता प्राप्त करता है, जो ऑरेकल टेस्ट के सांख्यिकीय गारंटियों के साथ $\tilde{O}(n^{-1})$ तक मेल खाता है।

4. महत्व और दावे

शोधपत्र का दावा है कि इसका उच्च-क्रम विश्लेषण यह समझने के लिए आवश्यक है कि कब इष्टतम परिवहन की ज्यामितीय प्रकृति (विशेष रूप से ग्राउंड मेट्रिक और मोमेंट फंक्शन का स्थानीय परिवर्तन) रीवेटिंग-आधारित विधियों जैसे एम्पेरिकल लाइकलीहुड की तुलना में परिमित-नमूना लाभ प्रदान करती है।

• सैद्धांतिक अंतर्दृष्टि: यह कार्य स्पष्ट करता है कि WP का "ट्रांसपोर्ट ज्योमेट्री" केवल एक कम्प्यूटेशनल उपकरण नहीं है, बल्कि एक सांख्यिकीय विशेषता भी है जो डेरिवेटिव-आधारित वक्रता के माध्यम से शक्ति को प्रभावित करती है। यह इसे EL से अलग करता है, जो वैल्यू-आधारित मोमेंट्स पर निर्भर करता है।
• व्यावहारिक उपयोगिता: प्राप्त बार्टलेट सुधार और प्रमाणित एल्गोरिदम उन सेटिंग्स में अधिक सटीक परिमित-नमूना अनुमान और विश्वसनीय परीक्षण की अनुमति देते जहाँ क्लोज्ड-फॉर्म समाधान उपलब्ध नहीं हैं (जैसे, नॉन-लीनियर फेयरनेस कंस्ट्रेंट्स)।
• अनुप्रयोग संदर्भ: लेखक अपने निष्कर्षों को एक फेयरनेस टेस्टिंग (fairness testing) प्रयोग का उपयोग करके स्पष्ट करते हैं। इस सेटिंग में, मोमेंट प्रतिबंध अवसर की समानता या संभावनाओं (equality of opportunity or odds) को एनकोड करते हैं। प्रयोग इस सैद्धांतिक भविष्यवाणी की पुष्टि करता है कि WP एक अनिसोट्रोपिक ट्रांसपोर्ट मेट्रिक के साथ EL या $T^2$ की तुलना में उच्च शक्ति प्राप्त कर सकता है, जहाँ फेयरनेस कंस्ट्रेंट की डेरिवेटिव वक्रता अनुकूल होती है।

शोधपत्र निष्कर्ष निकालता है कि जबकि WP, EL, और $T^2$ प्रथम-क्रम पर स्पर्शोन्मुख रूप से (asymptotically) समान हैं, उच्च-क्रम विश्लेषण मोमेंट फंक्शन की ज्यामिति और डेटा वितरण के बीच परस्पर क्रिया से प्रेरित विशिष्ट परिमित-नमूना व्यवहारों को प्रकट करता है। प्रस्तावित प्रमाणित एल्गोरिदम यह सुनिश्चित करता है कि ये सैद्धांतिक लाभ सांख्यिकीय वैधता से समझौता किए बिना व्यवहार में सुलभ हों।