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

Riepilogo Tecnico: Il Test di Indipendenza Spaziale di Cramér–von Mises sotto $\beta$-Mixing

Enunciato del Problema
Il lavoro affronta la sfida di testare l'indipendenza bivariata in campi casuali stazionari su $\mathbb{R}^2$. Sebbene il classico test di Cramér–von Mises (CvM) sia ben consolidato per osservazioni indipendenti e identicamente distribuite (i.i.d.), la sua applicazione a dati con dipendenza spaziale non è banale a causa della complessa struttura di dipendenza. L'ipotesi nulla $H_0$ postula che le componenti marginali $X_s$ e $Y_s$ di un campo casuale bivariato $Z_s = (X_s, Y_s)$ siano indipendenti, implicando che la funzione di distribuzione cumulativa (CDF) congiunta si fattorizzi come $H(x, y) = F_1(x)F_2(y)$. Gli autori mirano a derivare la distribuzione asintotica della statistica CvM spaziale sotto dipendenza $\beta$-mixing polinomiale e a fornire un'implementazione in Python riproducibile.

Metodologia
Gli autori propongono un quadro teorico e una pipeline computazionale che bypassano la necessità di un teorema del limite centrale funzionale (FCLT). La metodologia si basa su tre ingredienti teorici principali:

1. Limiti di Covarianza di Tipo Davydov: Gli autori stabiliscono l'integrabilità del nucleo di covarianza spaziale sotto una condizione $\beta$-mixing polinomiale in cui il tasso di decadimento $\theta$ soddisfa $\theta > 2(2 + \delta)/\delta$. Ciò garantisce che la covarianza spaziale sia assolutamente sommabile, un prerequisito per i teoremi limite.
2. Riformulazione come Statistica U: Seguendo De Wet (1980), la statistica CvM spaziale viene riformulata come una statistica U degenerata di ordine 2 con un nucleo prodotto $Q = G_1 \otimes G_2$. Questo approccio "in forma interna" utilizza le CDF empiriche marginali, permettendo di ridurre il problema spettrale bidimensionale a due problemi unidimensionali.
3. Estensione del Teorema Limite: Combinando il teorema limite di Gregory (1977) per statistiche U degenerati con l'estensione di Yoshihara (1976) alle sequenze $\beta$-mixing, gli autori derivano la distribuzione asintotica senza dimostrare la convergenza debole negli spazi funzionali (ad esempio, $C([0, 1])$).

Contributi Chiave

• Teoria Asintotica: Il lavoro deriva la distribuzione limite della statistica CvM spaziale centrata e normalizzata. Sotto l'ipotesi nulla, la statistica converge a una somma pesata di variabili $\chi^2_1$ correlate. Crucialmente, gli autovalori dell'operatore limite si fattorizzano come prodotti di autovalori marginali ($\gamma_{jk} = \lambda^{(1)}_j \cdot \lambda^{(2)}_k$).
• Limite a Banda Stretta: Nel limite in cui la larghezza di banda del nucleo $h \to 0$, la correlazione tra le variabili limite svanisce e la distribuzione si riduce a una somma pesata di variabili $\chi^2_1$ indipendenti, recuperando la forma classica i.i.d.
• Valori Critici Espliciti: Gli autori forniscono formule esplicite per gli autovalori corrispondenti a tre funzioni di peso comuni: Uniforme, Normale Ottimale e Anderson–Darling. Queste permettono il calcolo dei valori critici senza integrazione numerica.
• Implementazione Software: È documentato un pacchetto Python completo, che include:
  • Generazione di campi casuali Mat´ern tramite embedding circolare.
  • Calcolo della statistica CvM utilizzando la decomposizione del nucleo in forma interna.
  • Valutazione dei valori critici asintotici tramite simulazione Monte Carlo della distribuzione limite.
  • Inferenza basata su permutazioni per p-valori su campioni finiti.
  • Implementazione di test concorrenti (Mantel, cross-K, covarianza di distanza) per il confronto della potenza.

Risultati
Gli esperimenti di simulazione condotti su reticoli $m \times m$ producono i seguenti risultati:

• Calibrazione della Dimensione: Il test mantiene una dimensione accettabile (tassi di rifiuto entro 1–2 punti percentuali dai livelli nominali) per dimensioni campionarie $n \ge 400$ sotto mixing da moderato a forte. A $n=100$, il test è leggermente sovradimensionato sotto mixing debole ($\theta=3$).
• Prestazioni di Potenza:
  • La funzione di peso Anderson–Darling raggiunge costantemente la potenza più elevata tra le alternative di copula Gaussiana e t, in particolare a livelli di dipendenza debole.
  • Il peso Normale Ottimale esibisce una potenza vicina allo zero per alternative deboli a causa di una costante di centratura divergente che gonfia i valori critici.
  • Il peso Uniforme si comporta in modo competitivo ma è generalmente superato da Anderson–Darling.
• Confronto con Test Concorrenti:
  • I test Mantel e Cross-K dimostrano assenza di potenza contro la dipendenza incrociata in campi correlati spazialmente, fallendo nel distinguere l'autocorrelazione spaziale dalla vera dipendenza incrociata.
  • Il test della Covarianza di Distanza si comporta bene ma è generalmente superato dal test CvM di Anderson–Darling per alternative deboli.
• Robustezza: La dimensione e la potenza del test sono stabili attraverso variazioni del parametro di raggio effettivo di Mat´ern, confermando la robustezza dell'implementazione del limite a banda stretta.

Significato e Affermazioni
Il lavoro afferma che il suo significato principale risiede nel fornire una giustificazione asintotica rigorosa per l'uso del test CvM su dati con dipendenza spaziale senza ricorrere al più esigente teorema del limite centrale funzionale. Utilizzando la via della statistica U, gli autori evitano argomenti di compattezza (Arzel´a–Ascoli) e calcoli di entropia di bracketing, richiedendo solo la convergenza scalare.

Gli autori posizionano il test CvM spaziale come uno strumento robusto per rilevare la dipendenza incrociata in campi casuali dove i test spaziali tradizionali (Mantel, Cross-K) falliscono. Il lavoro funge da "risultato di robustezza", giustificando l'uso di valori critici standard i.i.d. per dati con dipendenza spaziale nel limite a banda stretta, a condizione che siano soddisfatte le condizioni di mixing. Il lavoro non afferma di risolvere tutti i problemi di indipendenza spaziale, ma offre una soluzione specifica e teoricamente fondata per il test di indipendenza bivariata sotto $\beta$-mixing, accompagnata da un'implementazione software verificata per l'applicazione immediata.