New results and tests for stochastic dominance between linear combinations

1. Il Problema di Ricerca

Il lavoro affronta il comportamento delle combinazioni lineari di variabili casuali i.i.d. (indipendenti e identicamente distribuite) quando la media della distribuzione sottostante non è finita.

• Contesto classico: Per distribuzioni con media finita, è noto che le combinazioni convesse diventano meno disperse (nel senso dell'ordine convesso) man mano che il vettore dei pesi diventa più "bilanciato" (maggiore majorizzazione). La media campionaria converge quasi certamente alla media teorica.
• Il caso a media infinita: Quando la media non esiste (es. distribuzioni di Pareto con esponente $\le 1$, Cauchy), il comportamento è controintuitivo. Studi recenti (Chen et al., 2024; Müller, 2025; Arab et al., 2025) hanno dimostrato che, per certe classi di distribuzioni (es. "super-Pareto", "InvSub"), una combinazione convessa può essere stocasticamente dominante rispetto alla variabile generatrice, o addirittura la media campionaria può diventare stocasticamente più grande all'aumentare della dimensione del campione, invece di contrarsi verso una costante.
• Il gap metodologico: La letteratura esistente fornisce condizioni sufficienti (spesso basate su restrizioni di forma della distribuzione come concavità o subadditività della funzione inversa) per garantire la dominanza stocastica tra combinazioni lineari. Tuttavia, queste condizioni:
  1. Variano tra i diversi risultati e non sono necessarie.
  2. Escludono molte configurazioni rilevanti.
  3. Non sono verificabili in pratica se la distribuzione sottostante è sconosciuta (scenario statistico non parametrico).

L'obiettivo è colmare questo divario sviluppando procedure non parametriche per testare direttamente se due combinazioni lineari sono ordinate stocasticamente, senza assumere a priori che la distribuzione appartenga a una classe specifica.

2. Metodologia e Contributi Teorici

A. Nuove Condizioni Distributive (Sezione 3)

Gli autori introducono una nuova classe di distribuzioni, denominata Classe $\mathcal{L}$, per generalizzare i risultati esistenti.

• Definizione: Una CDF $F$ (con $F(0)=0$) appartiene a $\mathcal{L}$ se la funzione $V(z) = F(x + yz) + F(x + y/z)$ è decrescente rispetto a $z \in (0, 1]$.
• Risultato (Teorema 3.7): Se $F \in \mathcal{L}$ e i vettori di pesi $\theta, \eta$ soddisfano la relazione di majorizzazione $\theta \prec \eta$, allora la combinazione lineare con pesi $\eta$ domina stocasticamente quella con pesi $\theta$ ($\sum \eta_i X_i \ge_{st} \sum \theta_i X_i$).
• Generalizzazione: La Classe $\mathcal{L}$ include la classe basata sulla concavità proposta da Chen et al. (2025) ma è strettamente più ampia, permettendo di coprire casi in cui la funzione inversa non è concave ma soddisfa comunque la dominanza.

B. Dominanza Senza Assunzioni Distributive (Sezione 4)

Per ovviare alla necessità di conoscere la classe distributiva, gli autori sfruttano le proprietà matematiche della dominanza stocastica (chiusura rispetto a convoluzioni e scaling non negativo).

• Introducono il concetto di h-split majorization ($\theta \prec_s \eta$), una forma più forte di majorizzazione ottenuta dividendo i pesi in parti uguali.
• Proposizione 4.2: Dimostrano che se una relazione di dominanza base è vera (es. $X_s \ge_{st} X_t$), allora essa si estende a combinazioni lineari più complesse e a campioni di dimensioni diverse attraverso operazioni di "splitting" e convoluzione. Questo permette di costruire gerarchie di dominanza partendo da casi base senza assumere la forma della distribuzione.

C. Inference Asintotica e Stimatori (Sezione 5)

Per testare la dominanza, è necessario stimare la distribuzione delle combinazioni lineari.

• Operatore di Convoluzione Pesata: Viene definito un operatore $L_{\theta}$ che mappa la CDF $F$ nella CDF della combinazione lineare $\sum \theta_i X_i$.
• Stimatore Plug-in: Si utilizza lo stimatore empirico $F_n$ applicato iterativamente all'operatore $L_{\theta}$ per ottenere $\hat{F}_{n,\theta}$.
• Proprietà Asintotiche: Viene dimostrata la convergenza uniforme quasi certa e la convergenza debole del processo empirico $\sqrt{n}(\hat{F}_{n,\theta} - F_\theta)$ verso un processo gaussiano centrato $H^F_\theta$. Vengono forniti risultati specifici per il caso Cauchy (dove la combinazione è ancora Cauchy) e per le medie campionarie.

D. Procedure di Test (Sezione 6)

Vengono proposti due test per l'ipotesi nulla $H_0: \sum \theta_i X_i \ge_{st} \sum \eta_i X_i$ contro l'alternativa di non-dominanza. La statistica del test è basata sulla norma sup della differenza tra le CDF stimate (tipo Kolmogorov-Smirnov).

1. Test basato sulla Distribuzione di Cauchy (Least-Favorable Calibration):

   • Sfrutta il fatto che la distribuzione di Cauchy è stabile per combinazioni lineari.
   • L'idea è che il caso Cauchy rappresenti il "caso meno favorevole" (least-favorable) sotto $H_0$, poiché le distribuzioni stimate sono più vicine tra loro rispetto ad altri casi in $H_0$.
   • I valori critici sono ottenuti simulando da una distribuzione Cauchy standard.
   • Vantaggio: Estremamente veloce computazionalmente.
   • Svantaggio: Potrebbe avere potenza inferiore in casi specifici.

2. Test Bootstrap:

   • Utilizza un procedimento di ricampionamento (bootstrap) per approssimare la distribuzione della statistica del test sotto l'ipotesi nulla.
   • Costruisce un limite superiore conservativo per la statistica del test.
   • Vantaggio: Più potente e flessibile, non richiede restrizioni sui pesi (a differenza del test Cauchy che richiede pesi normalizzati).
   • Svantaggio: Computazionalmente più oneroso.

Entrambi i test controllano il livello di significatività asintoticamente e sono consistenti contro le alternative di non-dominanza.

3. Risultati Sperimentali (Simulazioni - Sezione 7)

Gli autori hanno valutato le prestazioni dei test tramite simulazioni Monte Carlo su diverse distribuzioni (Pareto, Log-logistica, Fréchet, t-Student) e configurazioni di pesi.

• Potenza: Il test Bootstrap mostra generalmente una potenza superiore rispetto al test basato su Cauchy, specialmente quando le distribuzioni sono lontane dal caso Cauchy (es. Pareto con parametri specifici).
• Efficienza Computazionale: Il test basato su Cauchy è drasticamente più veloce (secondi contro minuti su hardware moderno), rendendolo attraente per applicazioni in tempo reale o dataset molto grandi, nonostante la potenza leggermente inferiore.
• Casi di Non-Majorizzazione: Il paper testa anche scenari in cui i vettori di pesi non sono ordinabili per majorizzazione (situazione in cui la teoria classica non fornisce indicazioni). I test riescono a rilevare la direzione della dominanza (o la sua assenza) con buona accuratezza, dimostrando l'utilità dell'approccio non parametrico.
• Dimensione del Campione: La potenza aumenta con la dimensione del campione ($n$) e con l'entità della violazione dell'ipotesi nulla (es. parametri di forma che allontanano la distribuzione dalla dominanza).

4. Significato e Implicazioni

Questo lavoro è significativo per diversi motivi:

1. Generalizzazione Teorica: Estende la classe di distribuzioni per cui è garantita la dominanza stocastica tra combinazioni lineari, superando le limitazioni delle condizioni di concavità precedenti.
2. Approccio Non Parametrico: Fornisce per la prima volta strumenti statistici validi per verificare la dominanza stocastica in scenari reali dove la distribuzione sottostante è sconosciuta e potenzialmente a media infinita. Questo è cruciale in finanza (gestione del rischio con code pesanti) e in fisica.
3. Flessibilità Operativa: Offre due approcci complementari (veloce/approssimato vs. potente/robusto), permettendo ai ricercatori di scegliere in base alle risorse computazionali e alla necessità di precisione.
4. Risoluzione di un Problema Aperto: Affronta la difficoltà di testare condizioni sufficienti complesse (come la subadditività) proponendo invece un test diretto sulla proprietà di interesse (la dominanza stessa).

In sintesi, il paper combina teoria avanzata dell'ordinamento stocastico con metodologie di inferenza moderna (processi empirici, bootstrap) per fornire un quadro completo e pratico per l'analisi di combinazioni lineari in contesti di media infinita.