A Transferability Criterion for Null-Optimized Variance Reduction in Cumulant-Based Error-Independence Testing

Sintesi Tecnica: Un Criterio di Trasferibilità per la Riduzione della Varianza Ottimizzata rispetto al Nulla nel Test di Indipendenza basato sui Cumulanti

Problema
Il documento affronta una specifica lacuna metodologica nel test di ipotesi per l'indipendenza dell'errore di misura, concentrandosi sulla statistica del terzo ordine di Wiedermann–Shi (W&S) ($\Delta c_3$). Questa statistica rileva errori di misura correlati e asimmetrici tra due punteggi osservati paralleli ($X_1, X_2$) sotto un modello di variabile latente. Sebbene lo stimatore ingenuo di $\Delta c_3$ sia non distorto e $\sqrt{N}$-consistente, può presentare un'elevata varianza in campioni di dimensioni moderate o distribuzioni asimmetriche.

Il problema centrale indagato è se gli stimatori del Metodo di Massimizzazione Polinomiale (PMM) — specificamente il PMM di secondo ordine (PMM2) — possano essere adattati con successo per ridurre la varianza della statistica W&S per il test di ipotesi. Il PMM è una tecnica standard di riduzione della varianza nella stima di parametri a singola popolazione (ad esempio, i controlli varianti), dove funzioni ausiliarie con aspettative note vengono utilizzate per regolare uno stimatore target. Il documento si chiede se un estimatore PMM2, ottimizzato sotto l'ipotesi nulla ($H_0$) di scambiabilità dell'errore, possa trasferirsi validamente a un problema di test a due regioni in cui l'ipotesi alternativa ($H_1$) coinvolge correlazioni asimmetriche.

Metodologia
Lo studio impiega un'analisi teorica a forma chiusa combinata con estese simulazioni Monte Carlo.

1. Quadro Teorico:

   • Gli autori derivano un criterio di trasferibilità per la riduzione della varianza ottimizzata rispetto al nulla. Essi postulano che l'aumento di una statistica target con un vettore di pesi $K_0$, centrato su $H_0$, abbia un'aspettativa sotto l'alternativa ($H_1$) uguale al target più $K_0^\top \mu_{a, H_1}$, dove $\mu_{a, H_1}$ è la media della base ausiliaria sotto $H_1$.
   • Il documento dimostra che la riduzione della varianza si trasferisce senza distorsione all'alternativa solo se vale la condizione di ortogonalità $K_0^\top \mu_{a, H_1} = 0$.
   • La costruzione PMM2 utilizza ausiliari polinomiali antisimmetrici (ad esempio, $X_1^3 - X_2^3$) che hanno aspettativa nulla sotto $H_0$ a causa della scambiabilità. I pesi $K^*$ sono ottimizzati per minimizzare la varianza sotto $H_0$.

2. Design della Simulazione:

   • Gli autori simulano dati basati sul modello W&S con parametri variabili: carico relativo ($R \in \{1, 1.25, 2\}$), asimmetria del punteggio vero latente ($\gamma_T$) e asimmetria del confonditore latente ($\gamma_U$).
   • Valutano lo stimatore PMM2 rispetto allo stimatore ingenuo, analizzando:
     • Efficienza Relativa Assoluta (ARE): Riduzione della varianza sotto $H_0$.
     • Distorsione e Consistenza: Convergenza dello stimatore al vero $\Delta c_3$ sotto $H_1$.
     • Potenza: Tassi di rifiuto bootstrap al livello $\alpha = 0.05$.
   • Effettuano controlli di robustezza variando le dimensioni dei campioni bootstrap ($B=200$ vs $1000$) e utilizzando intervalli BCa, testando anche alternative a code pesanti (Tukey $g$-and-$h$).

Risultati Chiave

1. Successo sotto $H_0$ (Riduzione della Varianza):

   • Sotto l'ipotesi nulla ($R=1$ o confonditori simmetrici), lo stimatore PMM2 ottiene una significativa riduzione della varianza. L'Efficienza Relativa Assoluta (ARE) varia da 1.23 a 5.16 tra le condizioni, con un ARE medio di 1.23–5.16.
   • I tassi di errore di Tipo I sono controllati (0.04–0.09), confermando che lo stimatore è valido per l'inferenza centrata su $H_0$.

2. Fallimento sotto $H_1$ (Inconsistenza):

   • Sotto l'ipotesi alternativa ($R \neq 1, \kappa_3(U) \neq 0$), lo stimatore PMM2 è dimostrabilmente inconsistente. Gli ausiliari antisimmetrici acquisiscono medie non nulle sotto $H_1$, ma i pesi $K^*$ rimangono fissi ai valori ottimizzati per $H_0$.
   • Ciò provoca un'attenuazione sistematica del segnale target. Il valore atteso dello stimatore sotto $H_1$ è $\Delta c_3 + K^*(1-R^3)\kappa_3(U)$.
   • L'attenuazione è severa: nei regimi di alternativa forte ($R=2$), lo stimatore trattiene solo circa il 16% del vero segnale (attenuazione dell'84%).
   • Aumentare la dimensione del campione ($N$) non corregge questa distorsione; lo stimatore converge a un valore lontano dal parametro reale.

3. Conseguenze per la Potenza del Test:

   • La perdita di segnale si traduce direttamente in una perdita catastrofica di potenza statistica. Le perdite di potenza variano da 7 a 52 punti percentuali rispetto allo stimatore ingenuo.
   • Negli scenari di alternativa più forti ($R=2$), il test ingenuo raggiunge circa l'86% di potenza, mentre il test PMM2 scende a circa il 33–36%.
   • Il documento nota che i test di unità standard (che controllano solo la distorsione e la varianza sotto $H_0$) avrebbero erroneamente classificato il PMM2 come un miglioramento, evidenziando un tranello nella valutazione metodologica.

4. Estensioni (PMM3 e PATP):

   • È stata testata una correzione simmetrica di tipo PMM3 di quarto ordine. Sebbene abbia ridotto la varianza (rapporto 1.127), è fallita nei gate pratici di test consapevole dei fattori di disturbo (nuisance-aware), mostrando un tasso di rifiuto del fattore di disturbo di 0.295 (rispetto a un guardrail di 0.10).
   • Il Polinomio di Transizione Adattivo Parametrico (PATP) è discusso come un'estensione concettuale per la selezione della base, ma è esplicitamente dichiarato che non risolve il problema della consistenza da solo. Senza il ricentramento dei pesi sotto l'alternativa, una base più ricca crea semplicemente un estimatore più efficiente di un target errato.

Significatività e Rivendicazioni
Il contributo primario del documento è un criterio di trasferibilità a forma chiusa per l'applicazione di controlli varianti ottimizzati rispetto al nulla in test di ipotesi a due regioni. Gli autori affermano che:

• Confine Teorico: Le tecniche di riduzione della varianza sviluppate per la stima di singola popolazione (dove la distribuzione è fissa) non si trasferiscono automaticamente al test di ipotesi (dove la distribuzione cambia tra $H_0$ e $H_1$). Specificamente, centrare le funzioni ausiliarie sulle loro aspettative sotto $H_0$ distrugge la consistenza sotto $H_1$, a meno che i pesi del nulla non siano ortogonali alle medie del lato dell'alternativa.
• Avvertimento Metodologico: Lo studio funge da caso di studio diagnostico dimostrando che la validazione basata solo su "$H_0$" è insufficiente per le metodologie di test di ipotesi. Un metodo può essere altamente efficiente sotto il nulla, pur fallendo completamente nel rilevare l'alternativa a causa dell'attenuazione del segnale.
• Gate Operativo: Gli autori propongono un "gate di accettazione della consistenza dell'alternativa" per futuri test con varianza ridotta. Qualsiasi tale statistica deve verificare che il target rimanga consistente sotto le alternative rappresentative, non solo che riduca la varianza sotto il nulla.

Il documento conclude che, sebbene il PMM sia una tecnica valida per la stima di parametri, la sua applicazione diretta al compito di test dei cumulanti incrociati W&S è invalida senza un meccanismo per adattare il centramento o i pesi all'ipotesi alternativa. Il fallimento è strutturale, non un artefatto di campioni finiti.