Riassunto Tecnico: Test di Goodness-of-Fit per Dati Censurati e Troncati

1. Il Problema (Problem Statement)

In molti ambiti statistici (analisi della sopravvivenza, epidemiologia, astronomia, econometria), la variabile di interesse $X$ non è osservabile interamente a causa di meccanismi di censura (l'evento non è ancora avvenuto o è avvenuto oltre il limite di osservazione) o troncamento (l'osservazione avviene solo se $X$ cade in un certo intervallo).

Il problema centrale è valutare se $X$ segua un modello parametrico predefinito $H_0: F \in \{F_\theta : \theta \in \Theta\}$ quando i dati sono incompleti. I metodi classici basati sull'Estimatore di Massima Verosimiglianza Non Parametrico (NPMLE), come i test di Kolmogorov-Smirnov o Cramér-von Mises, presentano gravi limiti in questi contesti:

• Instabilità computazionale: L'NPMLE può non esistere o non essere unico.
• Lentezza di convergenza: I tassi di convergenza possono essere troppo bassi per una calibrazione affidabile.
• Difficoltà nel Bootstrap: Il bootstrap degli stimatori NPMLE richiede la ri-stima del modello in ogni campione, il che è computazionalmente oneroso e teoricamente delicato sotto ipotesi composte.

2. Metodologia (Methodology)

Gli autori propongono un approccio sistematico e "omnibus" (capace di rilevare diverse forme di deviazione dal modello) che evita l'uso dell'NPMLE come oggetto intermedio. La metodologia si basa su due pilastri:

A. Processo di Score Neyman-Orthogonale

Invece di confrontare un estimatore non parametrico con il modello nullo, gli autori caratterizzano l'ipotesi nulla attraverso una famiglia di restrizioni sui momenti, indicizzate da funzioni di test $\phi$.
Per gestire le ipotesi composte e i parametri di disturbo (nuisance parameters), costruiscono un processo di score Neyman-ortogonale $\Pi^\perp_\phi$. L'ortogonalità garantisce che la stima del test sia localmente insensibile agli errori nella stima dei parametri di disturbo. Questo permette di utilizzare un multiplier bootstrap che mantiene fissi gli stimatori dei parametri di disturbo, eliminando la necessità di ri-stimarli in ogni iterazione del bootstrap.

B. Aggregazione in uno Spazio di Hilbert a Riproducente Kernel (RKHS)

Per rendere il test "omnibus", il processo di score viene aggregato su una classe ricca di funzioni $\phi$ appartenenti alla palla unitaria di un RKHS $\mathcal{H}_K$. Questo porta alla definizione di una statistica di tipo Maximum Mean Discrepancy (MMD).
Un risultato fondamentale è che la statistica risultante $\hat{Q}_K$ ammette una rappresentazione a forma quadratica (una $V$-statistica):
$$\hat{Q}_K = \frac{1}{n^2} \sum_{i=1}^n \sum_{j=1}^n \hat{K}^\perp_g(Z_i, Z_j)$$
dove $\hat{K}^\perp_g$ è un kernel indotto. Questa forma rende il test estremamente efficiente dal punto di vista computazionale e scalabile.

3. Contributi Chiave (Key Contributions)

1. Template Generale: Forniscono un framework teorico applicabile a diverse strutture di dati incompleti tramite funzionali regolari (differenziabili in senso pathwise).
2. Primo Test per il Doppio Troncamento Casuale: Il paper fornisce, a quanto ne sappiano gli autori, il primo test omnibus per una famiglia parametrica sotto random double truncation nel caso di ipotesi composta.
3. Efficienza Computazionale: Grazie alla rappresentazione a forma quadratica e al multiplier bootstrap, il metodo è molto più veloce e stabile rispetto ai metodi basati su NPMLE.
4. Teoria Asintotica: Stabiliscono la validità asintotica del test sia sotto l'ipotesi nulla che sotto alternative locali (Pitman-type), garantendo che il test sia consistente.

4. Risultati e Applicazioni (Results)

• Simulazioni: I test condotti su scenari di doppio troncamento (debole e forte) mostrano che il livello di significatività ($\alpha$) è rispettato e che la potenza del test aumenta con la dimensione del campione e con la distanza dall'ipotesi nulla, pur riflettendo correttamente la perdita di informazione dovuta al troncamento.
• Illustrazione Empirica (Dati Quasar): Gli autori applicano il test a dati astronomici (luminosità dei quasar) soggetti a doppio troncamento. Il test riesce a fornire un p-value informativo che suggerisce una deviazione dal modello esponenziale, confermando l'utilità pratica del metodo in contesti dove la stima non parametrica della CDF sarebbe troppo rumorosa.

5. Significato e Importanza (Significance)

Il lavoro colma un vuoto importante nella statistica della sopravvivenza e dell'inferenza semiparametrica. Superando i limiti dei metodi basati su NPMLE, offre uno strumento robusto, computazionalmente trattabile e teoricamente solido per la validazione di modelli parametrici in presenza di dati parzialmente osservati. La capacità di gestire il doppio troncamento apre nuove possibilità di analisi in campi come l'astronomia e l'epidemiologia, dove i bias di selezione sono comuni e complessi.