The Spatial Cram'{e}r--von Mises Test of Independence under $\beta$-Mixing: Asymptotic Theory and Python Implementation

तकनीकी सारांश: $\beta$-मिक्सिंग के तहत स्थानिक क्रैमर-वॉन मिसेज़ (Cramér–von Mises) स्वतंत्रता परीक्षण

समस्या विवरण
यह शोध पत्र $\mathbb{R}^2$ पर स्थिर यादृच्छिक क्षेत्रों (stationary random fields) में द्विचरीय स्वतंत्रता (bivariate independence) के परीक्षण की चुनौती को संबोधित करता है। जबकि शास्त्रीय क्रैमर-वॉन मिसेज़ (CvM) परीक्षण स्वतंत्र और समान रूप से वितरित (i.i.d.) प्रेक्षणों के लिए सुस्थापित है, स्थानिक रूप से निर्भर डेटा पर इसका अनुप्रयोग जटिल निर्भरता संरचना के कारण गैर-तुच्छ (non-trivial) है। शून्य परिकल्पना $H_0$ यह प्रस्तावित करती है कि द्विचरीय यादृच्छिक क्षेत्र $Z_s = (X_s, Y_s)$ के मार्जिनल घटक $X_s$ और $Y_s$ स्वतंत्र हैं, जिसका अर्थ है कि संयुक्त संचयी वितरण फलन (CDF) का गुणनखंड $H(x, y) = F_1(x)F_2(y)$ होता है। लेखक एक बहुपद $\beta$-मिक्सिंग निर्भरता के तहत स्थानिक CvM सांख्यिकी (statistic) के स्पर्शोन्मुखी वितरण (asymptotic distribution) को प्राप्त करने और एक पुनरुत्पादक पायथन कार्यान्वयन प्रदान करने का लक्ष्य रखते हैं।

कार्यप्रणाली
लेखक एक सैद्धांतिक ढांचा और कम्प्यूटेशनल पाइपलाइन प्रस्तावित करते हैं जो कार्यात्मक केंद्रीय सीमा प्रमेय (functional central limit theorem - FCLT) की आवश्यकता को दरकिनार करता है। कार्यप्रणाली तीन प्राथमिक सैद्धांतिक घटकों पर आधारित है:

1. डेविडोव-प्रकार के सहप्रसरण सीमाएँ (Davydov-type Covariance Bounds): लेखक एक बहुपद $\beta$-मिक्सिंग स्थिति के तहत स्थानिक सहप्रसरण कर्नेल (covariance kernel) की समाकलनीयता (integrability) स्थापित करते हैं जहाँ क्षय दर (decay rate) $\theta$ इस प्रकार है कि $\theta > 2(2 + \delta)/\delta$। यह सुनिश्चित करता है कि स्थानिक सहप्रसरण पूर्णतः योग योग्य (absolutely summable) है, जो सीमा प्रमेयों (limit theorems) के लिए एक पूर्व शर्त है।
2. U-सांख्यिकी पुनर्गठन (U-Statistic Reformulation): डे वेट (1980) के अनुसरण में, स्थानिक CvM सांख्यिकी को एक उत्पाद कर्नेल $Q = G_1 \otimes G_2$ के साथ क्रम 2 के डिजेनरेट U-सांख्यिकी के रूप में पुनर्गठित किया गया है। यह "इनर-फॉर्म" दृष्टिकोण अनुभवजन्य मार्जिनल CDF का उपयोग करता है, जिससे दो-आयामी स्पेक्ट्रल समस्या को दो एक-आयामी समस्याओं में कम किया जा सकता है।
3. सीमा प्रमेय विस्तार (Limit Theorem Extension): डिजेनरेट U-सांख्यिकी के लिए ग्रेगरी (1977) के सीमा प्रमेय और $\beta$-मिक्सिंग अनुक्रमों के लिए योशियहारा (1976) के विस्तार को जोड़कर, लेखक फलन स्थानों (जैसे, $C([0, 1])$) में दुर्बल अभिसरण (weak convergence) को सिद्ध किए बिना स्पर्शोन्मुखी वितरण प्राप्त करते हैं।

प्रमुख योगदान

• स्पर्शोन्मुखी सिद्धांत (Asymptotic Theory): शोध पत्र केंद्रित और सामान्यीकृत स्थानिक CvM सांख्यिकी के सीमा वितरण को प्राप्त करता है। शून्य परिकल्पना के तहत, सांख्यिकी सहसंबंधित $\chi^2_1$ चरों के भारित योग (weighted sum) में अभिसरित होती है। महत्वपूर्ण रूप से, सीमित ऑपरेटर के आइगेन मान (eigenvalues) मार्जिनल आइगेन मानों के उत्पादों ($\gamma_{jk} = \lambda^{(1)}_j \cdot \lambda^{(2)}_k$) के रूप में गुणनखंडित होते हैं।
• लघु-बैंडविड्थ सीमा (Small-Bandwidth Limit): उस सीमा में जहाँ कर्नेल बैंडविड्थ $h \to 0$ होता है, सीमांत चरों के बीच सहसंबंध लुप्त हो जाता है, और वितरण स्वतंत्र $\chi^2_1$ चरों के भारित योग में बदल जाता है, जो शास्त्रीय i.i.d. रूप को पुनः प्राप्त करता है।
• स्पष्ट महत्वपूर्ण मान (Explicit Critical Values): लेखक तीन सामान्य भार फलनों (weight functions): यूनिफॉर्म (Uniform), ऑप्टिमल नॉर्मल (Optimal Normal), और एंडरसन-डार्लिंग (Anderson–Darling) के लिए आइगेन मानों के स्पष्ट सूत्र प्रदान करते हैं। ये संख्यात्मक समाकलन के बिना महत्वपूर्ण मानों की गणना करने की अनुमति देते हैं।
• सॉफ्टवेयर कार्यान्वयन: एक पूर्ण पायथन पैकेज प्रलेखित है, जिसमें शामिल हैं:
  • सर्कुलेंट एम्बेडिंग (circulant embedding) के माध्यम से मेटर्न (Matérn) यादृच्छिक क्षेत्रों का निर्माण।
  • इनर-फॉर्म कर्नेल अपघटन का उपयोग करके CvM सांख्यिकी की गणना।
  • सीमा वितरण के मोंटे कार्लो सिमुलेशन के माध्यम से स्पर्शोन्मुखी महत्वपूर्ण मानों का मूल्यांकन।
  • परिमित-नमूना p-मानों के लिए क्रमपरिवर्तन-आधारित अनुमान (Permutation-based inference)।
  • शक्ति तुलना (power comparison) के लिए प्रतिस्पर्धी परीक्षणों (Mantel, cross-K, distance covariance) का कार्यान्वयन।

परिणाम
$m \times m$ लैटिस पर आयोजित सिमुलेशन प्रयोग निम्नलिखित निष्कर्ष प्रदान करते हैं:

• आकार अंशांकन (Size Calibration): परीक्षण मध्यम से मजबूत मिक्सिंग के तहत नमूना आकार $n \ge 400$ के लिए स्वीकार्य आकार (नाममात्र स्तरों के भीतर 1-2 प्रतिशत अंक की अस्वीकृति दर) बनाए रखता है। $n=100$ पर, कमजोर मिक्सिंग ($\theta=3$) के तहत परीक्षण थोड़ा 'ओवरसाइज़्ड' (oversized) होता है।
• शक्ति प्रदर्शन (Power Performance):
  • एंडरसन-डार्लिंग भार फलन गाऊसी और t-copula विकल्पों के विरुद्ध, विशेष रूप से कमजोर निर्भरता स्तरों पर, लगातार उच्चतम शक्ति प्राप्त करता है।
  • ऑप्टिमल नॉर्मल भार कमजोर विकल्पों के विरुद्ध लगभग शून्य शक्ति प्रदर्शित करता है क्योंकि एक विचलनशील सेंट्रिंग स्थिरांक (divergent centering constant) महत्वपूर्ण मानों को बढ़ा देता है।
  • यूनिफॉर्म भार प्रतिस्पर्धी प्रदर्शन करता है लेकिन आम तौर पर एंडरसन-डार्लिंग द्वारा पीछे छोड़ दिया जाता है।
• प्रतिस्पर्धी परीक्षणों के साथ तुलना:
  • मेंटल (Mantel) और क्रॉस-के (Cross-K) परीक्षण स्थानिक रूप से सहसंबंधित क्षेत्रों में क्रॉस-निर्भरता के विरुद्ध कोई शक्ति प्रदर्शित नहीं करते हैं, जिससे वे स्थानिक ऑटोकोरिलेशन को वास्तविक क्रॉस-डिपेंडेंस से अलग करने में विफल रहते हैं।
  • डिस्टेंस कोवेरिएंस (Distance Covariance) परीक्षण अच्छा प्रदर्शन करता है लेकिन आमतौर पर कमजोर विकल्पों पर एंडरसन-डार्लिंग CvM परीक्षण द्वारा पीछे छोड़ दिया जाता है।
• मजबूती (Robustness): परीक्षण का आकार और शक्ति मेटर्न प्रभावी रेंज पैरामीटर के विविधताओं में स्थिर रहती है, जो लघु-बैंडविड्थ सीमा कार्यान्वयन की मजबूती की पुष्टि करती है।

महत्व और दावे
शोध पत्र का दावा है कि इसकी प्राथमिक महत्ता फलनगत केंद्रीय सीमा प्रमेय (FCLT) की अधिक मांग वाली प्रक्रियाओं में जाने के बजाय, स्थानिक रूप से निर्भर डेटा पर CvM परीक्षण के उपयोग के लिए एक कठोर स्पर्शोन्मुखी औचित्य प्रदान करना है। U-सांख्यिकी मार्ग का उपयोग करके, लेखक अरज़ेला-असकोली (Arzelá–Ascoli) जैसे टाइटनेस (tightness) तर्कों और ब्रैकेटिंग एंट्रॉपी गणनाओं से बचते हैं, जिसमें केवल अदिश अभिसरण (scalar convergence) की आवश्यकता होती है।

लेखक स्थानिक CvM परीक्षण को उन यादृच्छिक क्षेत्रों में क्रॉस-निर्भरता का पता लगाने के लिए एक मजबूत उपकरण के रूप में स्थापित करते हैं जहाँ पारंपरिक स्थानिक परीक्षण (Mantel, Cross-K) विफल रहते हैं। यह कार्य एक "मजबूती परिणाम" (robustness result) के रूप में कार्य करता है, जो यह न्यायसंगत बनाता है कि यदि मिक्सिंग की शर्तें पूरी होती हैं, तो लघु-बैंडविडिड सीमा के तहत स्थानिक रूप से निर्भर डेटा के लिए मानक i.i.d. महत्वपूर्ण मानों का उपयोग किया जा सकता है। शोध पत्र यह दावा नहीं करता कि यह सभी स्थानिक स्वतंत्रता समस्याओं को हल करता है, बल्कि $\beta$-मिक्सिंग के तहत द्विचरीय स्वतंत्रता परीक्षण के लिए एक विशिष्ट, सैद्धांतिक रूप से पुष्ट समाधान और एक सत्यापित सॉफ्टवेयर कार्यान्वयन प्रदान करता है।