Sharp Lower Bound on the Minimax Risk for Multinomial Uniformity Testing via a Conditional Central Limit Theorem

Sintesi Tecnica: Limite Inferiore Stretto per il Rischio Minimax nel Test di Uniformità Multinomiale tramite un Teorema del Limite Centrale Condizionato

Configurazione del Problema
Questo articolo affronta il problema del test di bontà dell'adattamento minimax per l'uniformità basato su $n$ osservazioni indipendenti da una distribuzione multinomiale su $N$ categorie. L'ipotesi nulla $H_0$ postula che la distribuzione sottostante $q$ sia uniforme ($q_{unif} = (1/N, \dots, 1/N)$). L'ipotesi alternativa $H_1$ consiste in distribuzioni $q$ che deviano dall'uniformità di almeno $\epsilon$ nella norma $\ell_p$, definita come $\|q - q_{unif}\|_p \ge \epsilon$. L'obiettivo è caratterizzare il rischio minimax $R^*$, definito come l'infimo su tutti i test $\psi$ della somma degli errori di Tipo I e di Tipo II.

L'analisi si concentra su un regime asintotico intermedio in cui $n \to \infty$, $N \to \infty$ e $N = o(n^2)$. In questo regime, il rapporto segnale-rumore (SNR) è definito come:
$$u_n := \frac{\epsilon^2 n N^{3/2 - 2/p}}{\sqrt{2}}$$
La letteratura precedente ha stabilito che se $u_n \to \infty$, il rischio svanisce, e se $u_n \to 0$, il rischio si avvicina a 1. Il caso critico si verifica quando $u_n \to u^* \in (0, \infty)$, in cui il rischio minimax converge a una costante non banale. Un problema simile, versione poissonizzata, è stato recentemente utilizzato per dimostrare un limite superiore di $2\Phi(-u^*/2)$ (Kipnis [2025]), ma il valore esatto per il setting multinomiale rimaneva una questione aperta.

Metodologia
L'articolo stabilisce il limite inferiore corrispondente per il rischio minimax multinomiale attraverso una sequenza di passaggi tecnici che coinvolgono la poissonizzazione, l'analisi bayesiana e un nuovo teorema limite condizionato.

1. Riduzione a Modelli di Miscela di Poisson: Gli autori utilizzano l'equivalenza tra la distribuzione multinomiale e una distribuzione di Poisson condizionata sul conteggio totale $S_N = \sum O_i = n$. Definendo un modello di miscela di Poisson in cui i tassi $Q_i$ sono variabili casuali, il problema viene trasformato in un contesto bayesiano. Viene costruita una specifica distribuzione a priori "meno favorevole" $\pi^*$ che consiste in perturbazioni locali bilaterali della distribuzione uniforme.
2. Approssimazione del Rapporto di Verosimiglianza: Il test ottimale nel setting di Poisson è un test del rapporto di verosimiglianza. Gli autori dimostrano che i pesi esatti del rapporto di verosimiglianza possono essere approssimati da una statistica quadratica più semplice $T(w^*) = \sum w^*_{O_i}$, dove $w^*_m \propto (m - n/N)^2 - m$. Si dimostra che questa approssimazione preserva la distribuzione asintotica della statistica del test.
3. Teorema del Limite Centrale Condizionato (C-CLT): Il contributo tecnico centrale è il Teorema 2.3, un teorema del limite centrale condizionato per somme pesate sotto una prior di miscela di Poisson, condizionato sul conteggio totale $S_N = n$. La prova impiega funzioni caratteristiche e una formula di inversione per la variabile a reticolo $S_N$. Essa decompone l'integrale di Fourier in tre regioni (vicino allo zero, intermedia e lontana) per dimostrare che la distribuzione condizionata della statistica standardizzata converge a una distribuzione normale standard, a condizione che siano soddisfatte specifiche condizioni di momento e correlazione.
4. De-Poissonizzazione: Combinando il C-CLT con l'equivalenza tra il modello di Poisson condizionato e il modello multinomiale (Lemma 3.3), gli autori trasferiscono i limiti del rischio dal setting di Poisson al modello multinomiale originale.

Risultati Principali
Il risultato principale, il Teorema 2.1, dimostra che sotto le assunzioni $N = o(n^2)$ e $u_n \to u^* \in (0, \infty)$, il rischio minimax soddisfa:
$$\liminf_{n \to \infty} R^* \ge 2\Phi(-u^*/2)$$
Combinato con l'attuale limite superiore di Kipnis [2025], ciò fornisce il Corollario 2.2, fornendo una caratterizzazione esatta del rischio minimax asintotico:
$$\lim_{n \to \infty} R^* = 2\Phi(-u^*/2)$$
Questo risultato conferma che l'analisi poissonizzata fornisce la costante netta per il problema multinomiale nel regime intermedio.

Significatività
L'articolo sostiene di fornire la prima caratterizzazione esatta della costante netta del rischio minimax multinomiale per il test di uniformità nel regime intermedio, dove il rapporto segnale-rumore converge a una costante finita. Dimostrando il limite inferiore corrispondente, il lavoro chiude il divario lasciato dai precedenti limiti superiori derivati da modelli poissonizzati. La significatività risiede nella rigorosa giustificazione del fatto che il passaggio di "de-poissonizzazione" non altera la costante del rischio asintotico, facendo affidamento fondamentalmente sul nuovo teorema del limite centrale condizionato per le somme pesate. Ciò risolve il comportamento preciso del rischio di test in un regime in cui il numero di categorie cresce con la dimensione del campione ma rimane sub-quadratico.