Hypothesis Testing for a Functional Parameter via Self-normalization

तकनीकी सारांश: स्व-सामान्यकरण (Self-normalization) के माध्यम से एक कार्यात्मक पैरामीटर के लिए परिकल्पना परीक्षण

समस्या विवरण
यह शोध पत्र दुर्बल रूप से निर्भर समय श्रृंखला (weakly dependent time series) के संदर्भ में कार्यात्मक मापदंडों (अनंत-आयामी मापदंडों) के लिए परिकल्पना परीक्षण की चुनौती को संबोधित करता है। कार्यात्मक मापदंडों में मार्जिनल संचयी वितरण फलन (CDF), मार्जिनल क्वांटाइल फलन, स्पेक्ट्रल वितरण फलन और विभिन्न निर्भरता माप शामिल हैं। शास्त्रीय गैर-पैरामीट्रिक दृष्टिकोण, जैसे कि ब्लॉक बूटस्ट्रैपिंग और सबसैंपलिंग, एक बैंडविड्थ या ब्लॉक आकार पैरामीटर पर निर्भर करते हैं। इस पैरामीटर का चयन परिमित-नमूना प्रदर्शन (finite-sample performance) को महत्वपूर्ण रूप से प्रभावित करता है, जो यदि उप-इष्टतम (suboptimally) चुना जाता है, तो आकार विरूपण (size distortion) या शक्ति हानि (power loss) का कारण बन सकता है। जबकि स्व-सामान्यकरण (SN) विधि को ट्यूनिंग पैरामीटर की आवश्यकता को समाप्त करने के लिए परिमित-आयामी और बढ़ते-आयामी मापदंडों के लिए सफलतापूर्वक लागू किया गया है, अनंत-आयामी कार्यात्मक मापदंडों के लिए इसकी प्रयोज्यता एक खुला प्रश्न बना हुआ था। प्रत्यक्ष बिंदुवार (pointwise) SN सांख्यिकी का एकत्रीकरण अक्सर अज्ञात सहप्रसरण संरचनाओं (covariance structures) पर निर्भर गैर-पिवोटल सीमांत वितरणों का परिणाम देता है।

कार्यप्रणाली
लेखक कार्यात्मक मापदंडों के लिए SN विधि को सामान्य बनाने के लिए एक सैंपल स्प्लिटिंग प्लस सेल्फ-नॉर्मलाइजेशन (SS-SN) दृष्टिकोण प्रस्तावित करते हैं। मुख्य कार्यप्रणाली में निम्नलिखित चरण शामिल हैं:

1. सैंपल स्प्लिटिंग (Sample Splitting): एक समय श्रृंखला नमूना $\{X_1, \dots, X_n\}$ को दो भागों में विभाजित किया जाता है: $X_1 = \{X_1, \dots, X_{\lfloor n\alpha \rfloor}\}$ और $X_2 = \{X_{\lfloor n\alpha \rfloor+1}, \dots, X_n\}$, जहाँ $\alpha \in (0, 1)$ एक विभाजन अनुपात (splitting ratio) है।
2. प्रोजेक्शन और आयाम न्यूनीकरण (Projection and Dimension Reduction):
   • प्रथम उप-नमूने $X_1$ का उपयोग करके, विधि कार्यात्मक पैरामीटर $F(x)$ के शून्य परिकल्पना मान $F_0(x)$ से विचलन, जिसे $P_\alpha(x)$ कहा जाता है, का अनुमान लगाती है।
   • इस विचलन वेक्टर का उपयोग दूसरे उप-नमूने $X_2$ से प्राप्त कार्यात्मक पैरामीटर के पुनरावर्ती उप-नमूना अनुमानों को प्रोजेक्ट करने के लिए किया जाता है। विशेष रूप से, $k = \lfloor n\alpha \rfloor + 1, \dots, n$ के लिए, एक अनुक्रम $S_k$ का निर्माण किया जाता है जो प्रोजेक्शन दिशा $P_\alpha$ और शून्य से विचलन के आंतरिक उत्पाद (integral) के रूप में होता है।
   • यह प्रोजेक्शन अनंत-आयामी कार्यात्मक समस्या को एक एक-आयामी अनुक्रम $\{S_k\}$ में कम कर देता है।
3. स्व-सामान्यकरण (Self-Normalization): एक-आयामी अनुक्रम $\{S_k\}$ पर मानक SN सांख्यिकी लागू की जाती है। परीक्षण सांख्यिकीय $T_n$ को अनुक्रम के संचयी योग को पुनरावर्ती उप-नमूना प्रसरणों द्वारा निर्मित स्व-सामान्यक (self-normalizer) द्वारा सामान्यीकृत करके बनाया जाता है।
4. मिश्रित शून्य (Composite Null) और परिवर्तन बिंदु (Change Points):
   • मिश्रित शून्य परिकल्पनाओं के लिए (जहाँ शून्य अज्ञात परिमित-आयामी पैरामीटर $\theta$ पर निर्भर करता है), विधि अनुमान प्रभावों को समाप्त करने के लिए दूसरे उप-नमूने के भीतर पुनरावर्ती अनुमानकों $\hat{\theta}$ का उपयोग करती है, जिससे यह सुनिश्चित होता है कि सीमांत वितरण पिवोटल (pivotal) बना रहे।
   • परिवर्तन बिंदु पहचान (Change-point detection) के लिए, विधि को कार्यात्मक पैरामीटर में एकल परिवर्तन बिंदु का परीक्षण करने के लिए अनुकूलित किया गया है, जो CUSUM के समान एक कंट्रास्ट सांख्यिकीय रूप का उपयोग करता है जिसे स्व-सामान्यकरण के माध्यम से सामान्यीकृत किया जाता है।

मुख्य योगदान और सैद्धांतिक परिणाम

• पिवोटल सीमांत वितरण (Pivotal Limiting Distributions): शोध पत्र SS-SN परीक्षण सांख्यिकी के साहचर्य गुणों (asymptotic properties) को व्युत्पन्न करता है। शून्य परिकल्पना (दोनों सरल और मिश्रित) के तहत, परीक्षण सांख्यिकी पिवोटल सीमांत वितरणों (विशेष रूप से, ब्राउनियन मोशन के फलन, जिन्हें $U_1$ और $G_1$ कहा जाता है) की ओर अभिसरित होती है, जो अज्ञात अस्थायी निर्भरता संरचना या विभाजन अनुपात $\alpha$ पर निर्भर नहीं करते हैं।
• स्थानीय शक्ति विश्लेषण (Local Power Analysis): लेखक स्थानीय विकल्पों (local alternatives) के तहत सीमांत शक्ति फलन को व्युत्पन्न करते हैं। वे दिखाते हैं कि परीक्षण स्थिर विकल्पों के विरुद्ध सुसंगत (consistent) है और स्थानीय विकल्पों के तहत व्यवहार को स्पष्ट करते हैं जहाँ शून्य से विचलन $O(n^{-1/2})$ के क्रम का होता है।
• सैद्धांतिक औचित्य: व्युत्पत्ति कार्यात्मक पैरामीटर के पुनरावर्ती उप-नमूना अनुमानों के लिए एक कार्यात्मक केंद्रीय सीमा प्रमेय (FCLT) पर आधारित है। एक प्रमुख सैद्धांतिक अंतर्दृष्टि यह है कि समय समन्वय के साथ सीमांत गौसियन प्रक्रिया के स्वतंत्र वृद्धि गुण (independent increment property) अनंत आयामीता के बावजूद पिवोटल वितरण के व्युत्पत्ति की अनुमति देता है।
• अनुमान प्रभावों को संभालना: शोध पत्र मिश्रित शून्य के लिए SN ढांचे को दूसरे उप-नमूने में पुनरावर्ती अनुमानकों का उपयोग करके विस्तारित करता है, जो कुआन और ली (2006) के समान एक तकनीक है लेकिन कार्यात्मक मापदंडों के लिए अनुकूलित है।

संख्यात्मक परिणाम
शोध पत्र तीन परिदृश्यों में SS-SN के परिमित-नमूना प्रदर्शन का मूल्यांकन करता है:

1. समय-प्रतिवर्तीता परीक्षण (Time-Reversibility Testing): कोपुला स्पेक्ट्रल वितरण फलन का उपयोग करके। परिणाम दिखाते हैं कि SS-SN विभिन्न नमूना आकारों और विभाजन अनुपातों में सटीक आकार बनाए रखता है, जबकि मौजूदा सबसैंपलिंग-आधारित विधियाँ (जैसे, Goto et al., 2022) ब्लॉक लंबाई और विवेकीकरण रिज़ॉल्यूशन (discretization resolution) के आधार पर महत्वपूर्ण आकार विरूपण प्रदर्शित करती हैं।
2. मार्जिनल CDF के लिए मिश्रित शून्य: यह परीक्षण करना कि क्या एक समय श्रृंखला अज्ञात माध्य और प्रसरण के साथ गाऊसी वितरण का पालन करती है। SS-SN, निश्चित-$b$ सबसैंपलिंग विधियों की तुलना में बेहतर आकार सटीकता प्रदर्शित करता है, जो निर्भरता पैरामीटर बढ़ने के साथ आकार विरूपण से ग्रस्त होते हैं।
3. स्पेक्ट्रल वितरण में परिवर्तन बिंदु: बहुभिन्नसमिका (multivariate) समय श्रृंखला के स्पेक्ट्रल वितरण में संरचनात्मक परिवर्तनों का परीक्षण करना। SS-SN प्रतिस्पर्धी शक्ति और सटीक आकार दिखाता है, जो Preuss et al. (2015) के गैर-पैरामीट्रिक परीक्षण से बेहतर प्रदर्शन करता है, जो ब्लॉक लंबाई के आधार पर गैर-एकदिष्ट (non-monotonic) शक्ति व्यवहार प्रदर्शित करता है।

महत्व और दावे
शोध पत्र दावा करता है कि SS-SN विधि समय श्रृंखला में कार्यात्मक मापदंडों के निष्कर्ष के लिए एक ट्यूनिंग-पैरामीटर-मुक्त (विभाजन अनुपात $\alpha$ को छोड़कर, जो ब्लॉक लंबाई की तुलना में कम महत्वपूर्ण दिखाया गया है) समाधान प्रदान करती है।

• मजबूती (Robustness): विधि आकार और शक्ति के मामले में विभाजन अनुपात $\alpha$ के चयन के प्रति मजबूत है, जो पुनर्विकल्प (resampling) विधियों में ब्लॉक लंबाई की संवेदनशीलता के विपरीत है।
• व्यापक प्रयोज्यता: ढांचा मार्जिनल CDF, क्वांटाइल फunction, स्पेक्ट्रल वितरण और निर्भरता मापों सहित कार्यात्मक मापदंडों की एक विस्तृत श्रृंखला के लिए लागू है।
• व्यावहारिक उपयोगिता: बैंडविड्थ या ब्लॉक आकार चुनने की आवश्यकता को समाप्त करके, विधि कार्यात्मक मापदंडों पर निष्कर्ष निकालने की प्रक्रिया को सरल बनाती है और उपयोगकर्ता-प्रेरित आकार विरूपण के जोखिम को कम करती है। लेखक का तर्क है कि नए परीक्षण बैंडविड्थ-निर्भर प्रक्रियाओं की तुलना में सटीक आकार के साथ प्रतिस्पर्धी शक्ति प्रदान करते हैं।

शोध पत्र इस बात पर ध्यान देते हुए समाप्त होता है कि जबकि वर्तमान ध्यान कमजोर रूप से निर्भर स्थिर श्रृंखलाओं (weakly dependent stationary series) पर है, भविष्य के कार्य इन विचारों को स्थानीय रूप से स्थिर (locally stationary), यूनिट रूट, और सामान्य कार्यात्मक समय श्रृंखला सेटिंग्स तक विस्तारित कर सकते हैं।