A New Class of Asymptotically Distribution-Free Smooth Tests

技術要約：新しいクラスの漸近的分布フリー・スムース・テスト

問題提起
本論文は、モデルパラメータが推定され、サンプルサイズが中程度に大きい場合でも、漸近的に分布フリー（asymptotically distribution-free）であり続けるスムース適合度検定（smooth goodness-of-fit tests）を構築するという課題に取り組んでいる。スコア検定（Neyman, 1937）や次数選択検定（Ledwina, 1994）といった従来のスムース・テストは、特定の検定統計量の漸近的な分布フリー性に依存している。しかし、この特性が実際に実現されるには、特に複雑な分布や計算負荷の高いパラメータ推定を伴う場合、非常に大きなサンプルサイズが必要となることが多い。さらに、これらの古典的な検定における基底関数の選択はしばしば恣意的であり、その極限分布はテスト対象となる特定のパラメトリックモデルに依存する場合があり、臨界値を決定するためにモデル固有のシミュレーション（例：パラメトリック・ブートストラップ法）を必要とする。

手法
著者らは、特定の統計量を分布フリーにするという視点から、基礎となる経験過程（empirical process）自体を設計段階で漸近的に分布フリーにするというフレームワークを提案している。これは、主に以下の2つの手法的構成要素を通じて達成される。

1. Khmaladze-2 (K2) 変形:
   核心となる革新は、スムース・テストで使用される直交基底関数に対してK2変形（Khmaladze, 2016）を適用することである。

   • メカニズム: この変形は、ユニタリ作用素を利用して、モデル依存の経験過程の射影を、ユーザーが選択した参照分布 $F_\gamma$ によって定義される「標準射影」へと写像する。
   • 構成: 著者らは、反射作用素 $K$、乗法作用素 $l_{\gamma,\beta}$、およびユニタリ作用素 $U_p$ からなる一連の作用素を介して、参照空間 $L^2(F_\gamma)$ の基底を $L^2(G_\beta)$ の空間へ写像することにより、K2直交基底 $\{h_{j\beta}\}$ を定義する。
   • 結果: この構成により、基底関数の残差 $\{\tilde{h}_{j\beta}\}$ は、帰無仮説 $G_\beta$ の下での平均および共分散構造が、参照分布 $F_\gamma$ の下での基底関数の残差と同じになることが保証される。その結果、これらの残差によってインデックス付けされた経験過程、およびその関数（次数選択や部分集合選択の統計量を含む）は、$G_\beta$ の下での極限分布が $F_\gamma$ の下でのそれと同一になる。$F_\gamma$ は単純なもの（例：標準正規分布や一様分布）を選択できるため、極限分布は分布フリーとなる。

2. 投影ブートストラップ (Projected Bootstrap):
   パラメータが推定されている場合、特にパラメトリック・ブートストラップにおいて生じる計算負荷に対処するため、著者らは「投影ブートストラップ」（Algeri, 2022）を利用している。

   • メカニズム: すべてのブートストラップ反復ごとに未知のパラメータ $\beta$ を再推定する（古典的なパラメトリック・ブートストラップのように）代わりに、この手法はパラメータ推定によって誘起される射影構造を利用する。
   • 効率性: 命題1（Khmaladze, 1980）に基づき、推定された残差によってインデックス付けされた経験過程は、真の残差によってインデックス付けされた過程と漸近的に等価である。これにより、ユーザーは観測データに対して一度だけパラメータを推定すればよく、各ブートストラップ・サンプルに対して $\beta$ を再推定することなく、帰無分布をシミュレートできるため、計算時間を大幅に短縮できる。

主な結果
著者らは、理論的証明とシミュレーション研究を通じて、提案された手法を検証している。

• 理論的正当性: 命題2から5は、K2変形された基底関数が、パラメータがZ推定量（最大尤度推定を含む）によって推定されている場合でも、漸近的に分布フリーな経験過程を与えることを形式的に証明している。
• シミュレーション研究 (Section 4.2):
  • 著者らは、複雑な混合分布からデータを生成し、3つの異なるパラメトリック帰無モデル ($G_{\beta,1}, G_{\beta,2}, G_{\beta,3}$) に対してテストを行った。
  • 分布フリー性: 標準的な基底関数（ルジャンドル多項式と帰無累積分布関数の合成）を使用した場合、検定統計量の帰無分布は異なるモデル間で大きく変動した。対照的に、K2変形された基底関数を使用した場合は、3つのモデルすべてにおいて、シミュレートされた帰無分布は参照モデル $F_\gamma$ の下での分布と区別がつかないものであった。これはサンプルサイズ $n=100$ においても同様であった。
  • 検出力: K2ベースの検定は、特定のシナリオ（例：$G_{\beta,2}$ および $G_{\beta,3}$ における偏差の検出）において、古典的なスムース・テストと同等または優れた検出力を示した。ただし、すべての対立仮説に対して検出力の向上が保証されているわけではないことも著者らは注記している。
• 計算効率 (Section 3.1): 非対称ラプラス分布を用いたシミュレーションにおいて、投影ブートストラップは、古典的なパラメトリック・ブートストラップと比較して、CPU時間を約75%削減した（100,000回の反復で9分 vs 37分）、一方で真の帰無分布を正確に復元した。
• ケーススタディ (Section 5): 本手法は、恒星RT CruからのX線スペクトルに適用された。K2変形された次数選択および部分集合選択のテストは、背景および3つのスペクトル線（Fe XXV, Fe XXVI, Fe K$\alpha$）を記述するパラメトリックモデルの妥当性を、それぞれ p値 0.463 および 0.454 で確認した。QQプロットは、この実世界の応用における分布フリーの特性を裏付けている。

意義と主張
本論文は、特定の検定統計量の選択によるものではなく、設計段階で漸近的に分布フリーである新しい家族のスムース・テストを提供することを主張している。

• 堅牢性: 分布フリーの特性は、パラメータが推定され、サンプルサイズが中程度に大きい場合でも保持される。これは、古典的なスムース・テストにおける既知の限界に対処するものである。
• 汎用性: このアプローチにより、応用科学者は、広範かつ複雑なパラメトリックモデルをテストするために、単一の標準的な極限分布（単純な参照モデルから導出される）を使用することができ、モデル固有の漸近的導出や、新しいモデルごとに計算負荷の高い再サンプリングを行う必要がなくなる。
• 計算上の利点: 投影ブートストラップの統合は、古典的なパラメトリック・ブートストラップに代わる、効率的で実用的な選択肢を提供する。これにより、パラメータ推定に時間がかかる複雑なモデルにおいても、本手順を現実的なものにしている。

著者らは、このフレームワークがK2変形を、一般的な適合度検定から方向性を持つネイマン・ピアソン検定への中間領域へと拡張し、スムース・テストの有用性を高めるものであると結論づけている。現在の研究は単変量設定に焦点を当てているが、このフレームワークは多変量モデルや回帰の文脈にも適応可能であることを認めている。